CN114881999A - 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 - Google Patents
基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114881999A CN114881999A CN202210596865.3A CN202210596865A CN114881999A CN 114881999 A CN114881999 A CN 114881999A CN 202210596865 A CN202210596865 A CN 202210596865A CN 114881999 A CN114881999 A CN 114881999A
- Authority
- CN
- China
- Prior art keywords
- data
- insulator
- sample
- defect
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 203
- 230000007547 defect Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 230000002950 deficient Effects 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 230000003190 augmentative effect Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004880 explosion Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002269 spontaneous effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了一种基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质,其中基于少量数据的绝缘子缺陷样本生成方法包括将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;通过目标算法获取第一数据中的第一缺陷绝缘子图像数据和第一背景图像数据;通过目标算法获取第二数据中的第一正常绝缘子图像数据和第二背景图像数据;扩充绝缘子缺陷样本数据;将扩充绝缘子缺陷样本数据与第一数据组合新绝缘子缺陷样本。针对带缺陷和不带缺陷的绝缘子图像采用不同的缺陷生成策略,在极少样本的情况下,可以扩充大量接近真实数据的样本。
Description
技术领域
本发明设计涉及配电网绝缘子缺陷检测技术领域,具体地,涉及一种基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质。
背景技术
随着人工智能和物联网领域的发展,现有的技术使得无人机可以实时检测到配电网上的绝缘子,还能准确识别到绝缘子自爆、破损及污秽等缺陷。相对于传统人工巡检绝缘子缺陷具有检测速度快,准确性和效率高的特点。
实际生产环境中往往出现绝缘子缺陷数据采集困难的情况,导致许多数据依赖性强的深度学习难以应用,因此出现许多绝缘子缺陷数据生成技术。其中,生成对抗网络(Gan)被应用于电力巡检缺陷样本生成工作中,但目前基于Gan的样本生成技术存在依赖大量缺陷样本作为先验数据集且生成量不足。
为解决上述问题,本发明提供一种基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质。
发明内容
为了解决现有技术问题,本发明提供一种基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质。
本发明的技术方案如下:
在本申请的第一方面提供了一种基于少量数据的绝缘子缺陷样本生成方法具体包括如下步骤:
将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
通过目标算法获取第一数据中的第一缺陷绝缘子图像数据和第一背景图像数据;
通过目标算法获取第二数据中的第一正常绝缘子图像数据和第二背景图像数据;
扩充绝缘子缺陷样本数据:
将所述第一缺陷绝缘子图像数据中的每一缺陷绝缘子图像进行几何变换后组成第二缺陷绝缘子图像数据,将第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与所述第一背景图像数据中的每一背景图像融合后形成第一扩充样本;
将第一正常绝缘子图像数据中的每一第一正常绝缘子图像进行缺陷模拟后组成第一模拟缺陷绝缘子图像数据,将第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与第二背景图像数据中的每一第二背景图像融合后组成第二扩充样本;
将第一数据与扩充绝缘子缺陷样本数据组成新绝缘子缺陷样本。
在上述第一方面的一种可能的实现中,所述扩充绝缘子缺陷样本数据还包括第三扩充样本,所述第三扩充样本进一步包括如下步骤:
获取多张自然场景图片,并将自然场景图片集合组成自然场景数据;
获取第二缺陷绝缘子图像数据,并将所述第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与所述自然场景数据中的每一自然场景图片相融合后形成第一模拟数据;
获取第一模拟缺陷绝缘子图像数据,并将所述第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与所述自然场景数据中的每一自然场景图片相融合后形成第二模拟数据;
将第一模拟数据与所述第二模拟数据组合形成第三扩充样本。
在上述第一方面的一种可能的实现中,检测扩充绝缘子缺陷样本数据的准确性,检测扩充数据样本的准确性具体包括如下步骤:
将所述第一扩充样本作为缺陷检测集,所述第二扩充样本作为测试数据集;
使用缺陷检测集检测测试数据集的准确率;
判断准确率不小于设定阈值时;
所述扩充绝缘子缺陷样本数据并入所述新绝缘子缺陷样本内。
在上述第一方面的一种可能的实现中,判断准确率小于设定阈值时;
重新生成所述第一扩充样本与所述第二扩充样本。
在上述第一方面的一种可能的实现中,所述几何转换包括翻转、旋转和平移。
在上述第一方面的一种可能的实现中,所述缺陷模拟包括掉串、破损、伞裙污秽和自爆。
本申请的第二方面提供了一种基于少量数据的绝缘子缺陷样本生成方法,应用于前述第一方面提供的基于少量数据的绝缘子缺陷样本生成方法,包括:
目标检测模块,用于将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
分离模块,用于分离所述第一数据中的第一缺陷绝缘子图像数据与第一背景图像数据;
以及分离所述第二数据中的第一正常绝缘子图像数据与第二背景图像数据;
扩充模块,用于将第一数据转换为第一扩充样本和将第二数据转换为第二扩充样本,以及将所述第一数据、第一扩充样本与第二扩充样本组成新绝缘子缺陷样本。
在上述第二方面的一种可能的实现中,还包括补充模块,所述补充模块用于生成第三扩充样本,所述第三扩充样本用于扩充所述新绝缘子缺陷样本的数据量。
在上述第二方面的一种可能的实现中,还包括评估模块,所述评估模块将所述第一扩充样本作为缺陷检测集,所述第二扩充样本作为测试数据集,并使用缺陷检测集检测测试数据集的准确率。
本申请的第三方面提供了一种基少量数据的绝缘子缺陷样本设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现基于少量数据的绝缘子缺陷样本生成方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如基于少量数据的绝缘子缺陷样本生成方法。
与现有技术相比,本发明提出的技术方案具有如下的有益效果:
针对带缺陷和不带缺陷的绝缘子图像采用不同的缺陷生成策略,在极少样本的情况下,可以扩充大量接近真实数据的样本。
针对不同缺陷类型采用不同的图像处理策略,缺陷生成细节可以调控,以接近真实数据,提高逼真度。
本发明将第一扩充样本作为缺陷检测集,第二扩充样本作为测试数据集,使用缺陷检测集检测测试数据集的准确率,可以迭代优化生成缺陷数据集的质量。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1根据本申请实施例,示出了一种基于少量数据的绝缘子缺陷样本生成方法的流程示意图;
图2根据本申请实施例,示出了一种扩充绝缘子缺陷样本数据生成方法的流程示意图;
图3根据本申请实施例,示出了一种第三扩充样本生成方法的流程示意图;
图4根据本申请实施例,示出了示出了一种基于骨架法的掉串生成示意图;
图5根据本申请实施例,示出了示出了一种目标算法示意图;
图6a根据本申请实施例,示出了第一正常绝缘子图像中预先选择roi区域示意图;
图6b根据本申请实施例,示出了生成污秽材质图像示意图;
图6c根据本申请实施例,示出了融合生成伞裙污秽样本示意图;
图7根据本申请实施例,示出了示出了一种基于骨架法的掉串生成的实际图像变化流程图;
图8根据本申请实施例,示出了一种基于少量数据的绝缘子缺陷样本生产***的结构示意图;
图9根据本申请实施例,示出了一种基少量数据的绝缘子缺陷样本设备的结构示意图;
图10根据本申请实施例,示出了一种计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少区域地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
针对现有技术中存在的技术问题,本申请提供了一种基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质。以下将结合实施例对本申请提供的技术方案进行阐释和说明。
在本申请的一些实施例中,如图1-7所示,一种基于少量数据的绝缘子缺陷样本生成方法,具体包括如下步骤:
S100:将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
S200:通过目标算法获取第一数据中的第一缺陷绝缘子图像数据和第一背景图像数据;
S300:通过目标算法获取第二数据中的第一正常绝缘子图像数据和第二背景图像数据;
图5根据本申请实施例,示出了一种目标算法示意图,对含有缺陷的绝缘子数据进行处理,针对绝缘子包括掉串、破损、伞裙污秽等在内缺陷进行检测,通过目标检测算法对缺陷的分类,将数据分为带缺陷和不带缺陷样本。本实施例中的目标算法采用的是GrabCut算法,用于将第一数据中的每一含有缺陷绝缘子图像分离为第一缺陷绝缘子图像和第一背景图像,所有的第一缺陷绝缘子图像组成第一缺陷绝缘子图像数据,所述的第一背景图像组成第一背景图像数据;将第二数据中的每一不含缺陷绝缘子图像分离为第一正常绝缘子图像和第二背景图像,所有的第一正常绝缘子图像组成第一正常绝缘子图像数据,所述的第二背景图像组成第二背景图像数据。
S400:扩充绝缘子缺陷样本数据:图2根据本申请实施例,示出了一种扩充绝缘子缺陷样本数据生成方法的流程示意图;
S410:将第一缺陷绝缘子图像数据中的每一缺陷绝缘子图像进行几何变换后组成第二缺陷绝缘子图像数据,将第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与第一背景图像数据中的每一背景图像融合后形成第一扩充样本;
S420:将第一正常绝缘子图像数据中的每一第一正常绝缘子图像进行缺陷模拟后组成第一模拟缺陷绝缘子图像数据,将第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与第二背景图像数据中的每一第二背景图像融合后组成第二扩充样本。
本实施例中针对不含缺陷的绝缘子图像,在已分离背景的绝缘子图像中,手动选取想要生成缺陷的绝缘子roi区域,为保证缺陷生成的真实性,对该区域进行分析与自主选择缺陷类型,缺陷类型包括掉串、破损、伞裙污秽、自爆;几何转换包括翻转、旋转和平移;模拟生成缺陷,并将缺陷融合到随机选取的第二背景图像数据中的第二背景图像。
本实施例具体示例,第一正常绝缘子图像中预先选择roi区域,根据包括掉串、破损、伞裙污秽、自爆在内的缺陷类型进行缺陷模拟并生成第一模拟缺陷绝缘子图像,最后将第一模拟缺陷绝缘子图像与任意选择的二背景图像融合形成第二扩充样本中的数据。
图6a-6c根据本申请实施例,示出了第二扩充样本中的生成伞裙污秽样本生成过程;参见图6a所示,首选在第一正常绝缘子图像中预先选择roi区域,参见图6b所示,针对伞裙污秽通过随机选择污秽材质,生成污秽材质图像,参见图6c所示,第一模拟缺陷绝缘子图像与任意选择的二背景图像融合生成伞裙污秽样本。污秽亮暗调整和边缘处理,首先将污秽图和roi区域图转换为hsv格式,计算非黑区域的平均亮度,将污秽图的亮度对齐到roi区域的平均亮度水平。
图4据本申请实施例,示出了一种基于骨架法的掉串生成示意图,本实施例中基于骨架法的掉串生成包括以下具体步骤:
步骤S10:读取图像,获取第二数据中的第一正常绝缘子图像;
步骤S20:图像二值化,将步骤S10中的第一正常绝缘子图像的图像二值化,图像二值化有使第一正常绝缘子图像变得简单,而且数据量减小,凸显出正常绝缘子的轮廓。
步骤S30:二值图像细化,提取骨架,在步骤S30的基础上,将第一正常绝缘子图像的二值化图像进行边缘细化,然后提取正常绝缘子的骨架图像。
步骤S40:进行受限区域生长;提高骨架图像的清晰度。
步骤S50:根据选取的roi区域删除对应骨架点;删除正常绝缘子中的选中的掉串区域对应的骨架点。
步骤S60:根据骨架点去除原图无用的离散点。
步骤S70:边缘处理等后处理;提高经过掉串处理的第一模拟缺陷绝缘子图像。
步骤S80:将生成缺陷的绝缘子图像融合至背景;第一模拟缺陷绝缘子图像与第二背景图像数据中的每一第二背景图像融合形成第二扩充样本中的数据。
图7据本申请实施例,示出了一种基于骨架法的掉串生成的实际图像变化流程图:
S430:扩充绝缘子缺陷样本数据还包括第三扩充样本,参见图3所示,第三扩充样本进一步包括如下步骤:
步骤S431:获取多张自然场景图片,并将自然场景图片集合组成自然场景数据;
步骤S432:获取第二缺陷绝缘子图像数据,并将第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与自然场景数据中的每一自然场景图片相融合后形成第一模拟数据;
步骤S433:获取第一模拟缺陷绝缘子图像数据,并将第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与自然场景数据中的每一自然场景图片相融合后形成第二模拟数据;
步骤S434:将第一模拟数据与第二模拟数据组合形成第三扩充样本。
本实施例中第一模拟数据获取的包括以下步骤:
获取多张自然场景图像;
分别将第二缺陷绝缘子图像数据中的每一第二缺陷绝缘子图像分别与每一自然场景图像融合组成第一模拟数据。
本实施例模拟生成掉串缺陷的第三扩充样本包括如下具体步骤:
获取第二数据中的第一正常绝缘子图像;将步骤S10中的第一正常绝缘子图像的图像二值化,图像二值化有使第一正常绝缘子图像变得简单,而且数据量减小,凸显出正常绝缘子的轮廓。将第一正常绝缘子图像的二值化图像进行边缘细化,然后提取正常绝缘子的骨架图像。进行受限区域生长;提高骨架图像的清晰度。根据选取的roi区域删除对应骨架点;删除正常绝缘子中的选中的掉串区域对应的骨架点。根据骨架点去除原图无用的离散点。边缘处理等后处理;提高经过掉串处理的第一模拟缺陷绝缘子图像。将生成缺陷的绝缘子图像融合至自然背景图像中;第一模拟缺陷绝缘子图像与自然背景图像数据中的每一自然背景图像融合形成第三扩充样本中的数据。
S500:检测扩充绝缘子缺陷样本数据的准确性,检测扩充数据样本的准确性具体包括如下步骤:
将第一扩充样本作为缺陷检测集,第二扩充样本作为测试数据集;
使用缺陷检测集检测测试数据集的准确率;
判断准确率不小于设定阈值时;
第二扩充样本并入新绝缘子缺陷样本内。
S600:将扩充绝缘子缺陷样本数据与第一数据组合新绝缘子缺陷样本,具体为,将第一数据、第一扩充样本、第二扩充样本与第三扩充样本组成新绝缘子缺陷样本。
在上述第一方面的一种可能的实现中,判断准确率小于设定阈值时;
重新生成第一扩充样本与第二扩充样本。
在本申请的一些实施例中,如图8所示,一种基于少量数据的绝缘子缺陷样本生成***,应用于前述第一方面提供的基于少量数据的绝缘子缺陷样本生成方法中,包括:
目标检测模块100,用于将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
分离模块200,用于分离第一数据中的第一缺陷绝缘子图像数据与第一背景图像数据;
以及分离第二数据中的第一正常绝缘子图像数据与第二背景图像数据;
扩充模块300,用于将第一数据转换为第一扩充样本和将第二数据转换为第二扩充样本,以及将第一数据、第一扩充样本与第二扩充样本组成新绝缘子缺陷样本。
在上述第二方面的一种可能的实现中,还包括补充模块400,补充模块用于生成第三扩充样本,第三扩充样本用于扩充新绝缘子缺陷样本的数据量。
在上述第二方面的一种可能的实现中,还包括评估模块500,评估模块将第一扩充样本作为缺陷检测集,第二扩充样本作为测试数据集,并使用缺陷检测集检测测试数据集的准确率。
在本申请的一些实施例中,一种基少量数据的绝缘子缺陷样本设备,该种设备包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现本申请技术方案中说明的基于少量数据的绝缘子缺陷样本生成方法的步骤。
可以理解的是,本申请技术方案的各个方面可以实现为***、方法或程序产品。因此,本申请技术方案的各个方面可以具体实现为以下形式,即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图9根据本申请的一些实施例,示出了一种基少量数据的绝缘子缺陷样本设备的结构示意图。下面参照图9来详细描述根据本实施例中的实施方式实施的电子设备600。图9显示的电子设备600仅仅是一个示例,不应对本申请技术方案任何实施例的功能和使用范围带来任何限制。
如图9所示,电子设备600以通用计算设备的形式表现。电子设备600的组建可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行于少量数据的绝缘子缺陷样本生成方法实施例中的实施步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取单元(RAM)6201和/或高速缓存存储单元6202,可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图像加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可以与一个或者多个使得用户与该电子设备600交互的设备通信,和/或与使得该电子设备能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其他模块通信。应当明白,尽管图9中未示出,可以结合电子设备600使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
在本申请的一些实施例中,本实施中提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时能够实现上述实施例中提供的基于少量数据的绝缘子缺陷样本生成方法的相关步骤。
尽管本实施例未详尽地列举其他具体的实施方式,但在一些可能的实施方式中,本申请技术方案说明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本申请技术方案中图像拼接方法区域中描述的根据本申请技术方案各种实施例中实施方式的步骤。
图10根据本申请的一些实施例示出了一种计算机可读存储介质的结构示意图。如图10所示,其中描述了根据本申请技术方案的实施方式中用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。当然,依据本实施例产生的程序产品不限于此,在本申请技术方案中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一区域传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请技术方案操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、区域地在用户设备上执行、作为一个独立的软件包执行、区域在用户计算设备上区域在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上,通过本申请提出的技术方案,能够通过群体行为对用户行为进行精准画像和画像群体的获取,本技术方案为每个用户都建立了一个相似用户群体,进而通过设置不同的聚合精准度阈值来实现用户画像群体的自动分类和获取,具有画像精准、聚合精准度可调的优势,能够根据不同的精度需求获取精度不同的各类用户画像,契合产品设计、内容推荐等领域的用户画像需求,具有可推广价值。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,以及对于上述实施例一个或多个进行组合实施例,本领域技术人员可以在权利要求的范围内做出各种变化或修改或组合,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (11)
1.一种基于少量数据的绝缘子缺陷样本生成方法,其特征在于,包括以下步骤:
将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
通过目标算法获取第一数据中的第一缺陷绝缘子图像数据和第一背景图像数据;
通过目标算法获取第二数据中的第一正常绝缘子图像数据和第二背景图像数据;
扩充绝缘子缺陷样本数据:
将所述第一缺陷绝缘子图像数据中的每一缺陷绝缘子图像进行几何变换后组成第二缺陷绝缘子图像数据,将第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与所述第一背景图像数据中的每一背景图像融合后形成第一扩充样本;
将第一正常绝缘子图像数据中的每一第一正常绝缘子图像进行缺陷模拟后组成第一模拟缺陷绝缘子图像数据,将第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与第二背景图像数据中的每一第二背景图像融合后组成第二扩充样本;
将第一数据与扩充绝缘子缺陷样本数据组成新绝缘子缺陷样本。
2.根据权利要求1所述的基于少量数据的绝缘子缺陷样本生成方法,其特征在于,所述扩充绝缘子缺陷样本数据还包括第三扩充样本,所述第三扩充样本进一步包括如下步骤:
获取多张自然场景图片,并将自然场景图片集合组成自然场景数据;
获取第二缺陷绝缘子图像数据,并将所述第二缺陷绝缘子图像数据中的每一第二绝缘子缺陷图像与所述自然场景数据中的每一自然场景图片相融合后形成第一模拟数据;
获取第一模拟缺陷绝缘子图像数据,并将所述第一模拟缺陷绝缘子图像数据中的每一第一模拟缺陷绝缘子图像与所述自然场景数据中的每一自然场景图片相融合后形成第二模拟数据;
将第一模拟数据与所述第二模拟数据组合形成第三扩充样本。
3.根据权利要求1所述的基于少量数据的绝缘子缺陷样本生成方法,其特征在于,检测扩充绝缘子缺陷样本数据的准确性,检测扩充数据样本的准确性具体包括如下步骤:
将所述第一扩充样本作为缺陷检测集,所述第二扩充样本作为测试数据集;
使用缺陷检测集检测测试数据集的准确率;
判断准确率不小于设定阈值时;
所述扩充绝缘子缺陷样本数据并入所述新绝缘子缺陷样本内。
4.根据权利要求3所述的基于少量数据的绝缘子缺陷样本生成方法,其特征在于,判断准确率小于设定阈值时;
重新生成所述第一扩充样本与所述第二扩充样本。
5.根据权利要求1所述的基于少量数据的绝缘子缺陷样本生成方法,其特征在于,所述几何转换包括翻转、旋转和平移。
6.根据权利要求1所述的基于少量数据的绝缘子缺陷样本生成方法,其特征在于,所述缺陷模拟包括掉串、破损、伞裙污秽和自爆。
7.一种基于少量数据的绝缘子缺陷样本生产***,其特征在于,应用于如权利要求1至6中任意一项所述的基于少量数据的绝缘子缺陷样本生成方法,包括:
目标检测模块,用于将现有的绝缘子数据分为含有缺陷绝缘子的第一数据和不含缺陷绝缘子的第二数据;
分离模块,用于分离所述第一数据中的第一缺陷绝缘子图像数据与第一背景图像数据;
以及分离所述第二数据中的第一正常绝缘子图像数据与第二背景图像数据;
扩充模块,用于将第一数据转换为第一扩充样本和将第二数据转换为第二扩充样本,以及将所述第一数据、第一扩充样本与第二扩充样本组成新绝缘子缺陷样本。
8.根据权利要求7所述的基于少量数据的绝缘子缺陷样本生产***,其特征在于,还包括补充模块,所述补充模块用于生成第三扩充样本,所述第三扩充样本用于扩充所述新绝缘子缺陷样本的数据量。
9.根据权利要求7所述的基于少量数据的绝缘子缺陷样本生产***,其特征在于,还包括评估模块,所述评估模块将所述第一扩充样本作为缺陷检测集,所述第二扩充样本作为测试数据集,并使用缺陷检测集检测测试数据集的准确率。
10.一种基少量数据的绝缘子缺陷样本设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6中任一项所述的基于少量数据的绝缘子缺陷样本生成方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于少量数据的绝缘子缺陷样本生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596865.3A CN114881999A (zh) | 2022-05-30 | 2022-05-30 | 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596865.3A CN114881999A (zh) | 2022-05-30 | 2022-05-30 | 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881999A true CN114881999A (zh) | 2022-08-09 |
Family
ID=82680458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596865.3A Pending CN114881999A (zh) | 2022-05-30 | 2022-05-30 | 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881999A (zh) |
-
2022
- 2022-05-30 CN CN202210596865.3A patent/CN114881999A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
US11783469B2 (en) | Method and system for scanning wafer | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
KR102325347B1 (ko) | 머신러닝 기반 결함 분류 장치 및 방법 | |
CN113191235B (zh) | 杂物检测方法、装置、设备及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN115690102B (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
CN111340831A (zh) | 点云边缘检测方法和装置 | |
CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及*** | |
CN111415364A (zh) | 一种计算机视觉中图像分割样本的转换方法、***及存储介质 | |
CN111783812B (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
JP2022185143A (ja) | テキスト検出方法、テキスト認識方法及び装置 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN117115158B (zh) | 基于深度对比学习的缺陷检测方法及装置 | |
CN114612702A (zh) | 基于深度学习的图像数据标注***及其方法 | |
CN111444834A (zh) | 图像文本行检测方法、装置、设备及存储介质 | |
JP6425468B2 (ja) | 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置 | |
CN114881999A (zh) | 基于少量数据的绝缘子缺陷样本生成方法、***、设备和计算机可读存储介质 | |
CN107330470B (zh) | 识别图片的方法和装置 | |
CN114359670A (zh) | 非结构化数据标注方法、装置、计算机设备及存储介质 | |
KR20230052169A (ko) | Shap 기반 이미지 어노테이션 생성 장치 및 방법 | |
CN113537253A (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
EP2573694A1 (en) | Conversion method and system | |
CN112465859A (zh) | 快速运动目标的检测方法、装置、设备和储存介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |