CN117854051A - 基于深度学习的输电线杆塔绝缘子图像处理方法及*** - Google Patents
基于深度学习的输电线杆塔绝缘子图像处理方法及*** Download PDFInfo
- Publication number
- CN117854051A CN117854051A CN202410041456.6A CN202410041456A CN117854051A CN 117854051 A CN117854051 A CN 117854051A CN 202410041456 A CN202410041456 A CN 202410041456A CN 117854051 A CN117854051 A CN 117854051A
- Authority
- CN
- China
- Prior art keywords
- insulator
- point cloud
- power transmission
- image
- image semantic
- 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 662
- 230000005540 biological transmission Effects 0.000 title claims abstract description 362
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 255
- 238000012549 training Methods 0.000 claims description 188
- 238000005065 mining Methods 0.000 claims description 90
- 230000011218 segmentation Effects 0.000 claims description 89
- 238000002372 labelling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 21
- 238000001514 detection method Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 4
- 239000000306 component Substances 0.000 description 72
- 238000013136 deep learning model Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004040 coloring Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域,提供一种基于深度学习的输电线杆塔绝缘子图像处理方法及***,使用已经调试完成的绝缘子实例分割网络,通过对输电线路通道进行语义分割训练,获取到绝缘子点云数据模型,并利用深度学习模型对绝缘子数据进行实例分割,从而正确地识别和分类出单串或双串的绝缘子。相比传统的机器学习方法,这种新的技术方案具有更高的准确性和效率,能够大大提升输电线路检测和维护工作的效果,提高电力***的运行安全性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于深度学习的输电线杆塔绝缘子图像处理方法及***。
背景技术
输电线杆塔绝缘子在电力***中扮演着至关重要的角色,它们不仅支持和固定电气导线,还防止电流流向不希望的方向,保证了电流沿着预定的路径流动而不漏电到支持结构或地面。因此,对于电力***的运行稳定性和安全性而言,准确、快速地识别和分类绝缘子极其重要。
发明内容
为了改善上述问题,本申请提供了一种基于深度学习的输电线杆塔绝缘子图像处理方法及***。
第一方面,本申请实施例提供一种基于深度学习的输电线杆塔绝缘子图像处理方法,应用于深度学习图像处理***,所述方法包括:
获取目标输电线杆塔绝缘子的当前真彩点云扫描图像集;
将所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集录入完成调试的绝缘子实例分割网络,由所述完成调试的绝缘子实例分割网络中第一图像语义挖掘组件根据所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集挖掘所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量;
获取绝缘子点云图像知识集中各绝缘子聚类标签分别对应的绝缘子点云图像语义向量;所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量由所述完成调试的绝缘子实例分割网络中第二图像语义挖掘组件根据绝缘子聚类标签的绝缘子图像描述数据提取所得;
依据所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量的共性判别得分,确定向所述目标输电线杆塔绝缘子分配的绝缘子聚类标签。
在第一方面的一些可选实施例中,绝缘子实例分割网络的调试方法包括:
获取各输电线杆塔绝缘子训练示例各自的真彩点云扫描图像集训练示例;
针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,得到所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集以及重构真彩点云扫描图像集;
将所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各待处理输电走廊通道区间的绝缘子点云图像语义向量;
将所述每一输电线杆塔绝缘子训练示例的重构真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第二图像语义挖掘组件,由所述第二图像语义挖掘组件根据所述重构真彩点云扫描图像集提取各重构输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各重构输电走廊通道区间的绝缘子点云图像语义向量;
依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件;
当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在第一方面的一些可选实施例中,所述依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括:
从所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第一类绝缘子点云图像语义向量集,从所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第二类绝缘子点云图像语义向量集;
根据所述第一类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
在第一方面的一些可选实施例中,所述当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:
当对应于相同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在第一方面的一些可选实施例中,所述方法还包括:
针对每一输电线杆塔绝缘子训练示例,对其待处理真彩点云扫描图像集进行不同的语义标注处理,得到最少两组经语义标注处理的待处理真彩点云扫描图像集;
将所述每一输电线杆塔绝缘子训练示例的所述最少两组经语义标注处理的待处理真彩点云扫描图像集,录入所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述最少两组经语义标注处理的待处理真彩点云扫描图像集分别生成对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量;
针对所述每一输电线杆塔绝缘子训练示例,根据对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量;
所述依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括:
依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,以及所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
在第一方面的一些可选实施例中,所述当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:
当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值,以及同一输电线杆塔绝缘子训练示例的所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分不小于第三共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在第一方面的一些可选实施例中,所述方法还包括:
获取所述各输电线杆塔绝缘子训练示例各自的候选输电走廊通道区间集;所述由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,包括:
由所述第一图像语义挖掘组件以所述待处理真彩点云扫描图像集及所述候选输电走廊通道区间集作为强化要素对所述待处理真彩点云扫描图像集进行语义增强,得到所述各待处理输电走廊通道区间的绝缘子点云图像语义向量。
在第一方面的一些可选实施例中,所述针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,包括:
针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将所述真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及过渡的重构真彩点云扫描图像集;
根据所述过渡的重构真彩点云扫描图像集中对应输电线杆塔绝缘子训练的滑动滤波窗口的真彩点云扫描图像,确定所述重构真彩点云扫描图像集。
第二方面,本申请实施例提供一种深度学习图像处理***,包括至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行第一方面所述的方法。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现第一方面所述的方法。
在本申请实施例中,无论是单串还是复杂的双串绝缘子,都可以通过调试完成的绝缘子实例分割网络进行快速、准确的识别和分类,大大提升了输电线路检测和维护工作的效率,也提高了电力***运行的安全性。
进一步地,能够实现绝缘子实例的高效、准确的分割和识别,对于输电线杆塔的检测和维护工作具有极大的帮助。
首先,通过获取各输电线杆塔绝缘子的真彩点云扫描图像集训练示例,可以得到丰富的绝缘子数据。这些数据不仅包括了颜色信息,还包括了三维结构信息,使得能够从多个角度、多个维度理解和认知绝缘子。
其次,通过将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,并利用绝缘子实例分割网络的图像语义挖掘组件提取语义向量,可以将复杂的绝缘子形态和特征转化为简洁、明了的数学表示,进一步方便了后续的计算和分析。
接着,通过比较每一输电线杆塔绝缘子训练示例对应的待处理和重构区间的绝缘子点云图像语义向量的共性判别得分,可以有效地调试绝缘子实例分割网络的图像语义挖掘组件。这一步骤可以确保模型能够准确地识别和分割出同一实例的绝缘子,同时又能区分出不同实例的绝缘子。
最后,当共性判别得分满足预设条件时,就可以得到完成调试的绝缘子实例分割网络。这意味着已经训练出了一个能够高效、准确进行绝缘子实例分割的模型,这对于后续的输电线杆塔检测和维护工作将起到关键的作用。
总而言之,通过充分利用真彩点云扫描图像数据,结合先进的深度学习方法,成功地实现了绝缘子实例的自动化分割和识别,对于提高输电线杆塔的检测和维护效率,保障电力***的安全稳定运行具有重要价值。
附图说明
图1为本申请实施例所提供的一种基于深度学习的输电线杆塔绝缘子图像处理方法的流程图。
图2为本申请实施例所提供的一种深度学习图像处理***200的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
图1示出一种基于深度学习的输电线杆塔绝缘子图像处理方法,应用于深度学习图像处理***,所述方法涉及绝缘子实例分割网络的训练调试,包括以下步骤110-步骤160。
步骤110、获取各输电线杆塔绝缘子训练示例各自的真彩点云扫描图像集训练示例。
步骤120、针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,得到所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集以及重构真彩点云扫描图像集。
步骤130、将所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各待处理输电走廊通道区间的绝缘子点云图像语义向量。
步骤140、将所述每一输电线杆塔绝缘子训练示例的重构真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第二图像语义挖掘组件,由所述第二图像语义挖掘组件根据所述重构真彩点云扫描图像集提取各重构输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各重构输电走廊通道区间的绝缘子点云图像语义向量。
步骤150、依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
步骤160、当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在上述技术方案中,步骤110涉及到的关键名词有“输电线杆塔绝缘子训练示例”和“真彩点云扫描图像集训练示例”。
输电线杆塔绝缘子训练示例指的是用于训练深度学习模型的输电线杆塔绝缘子的样本数据。这些样本可能来自实际输电线路的观测,也可能是通过仿真生成的。例如,可以使用无人机对输电线杆塔进行拍摄,获取包含各种状态的绝缘子的图像,然后手动标注出绝缘子的位置,作为训练示例。
真彩点云扫描图像集训练示例是一种特殊类型的图像数据,它记录了物体表面的颜色和三维形状信息。真彩点云扫描图像集由一系列点组成,每个点都有XYZ坐标和RGB颜色值。例如,可以使用激光雷达设备对输电线杆塔进行扫描,得到包含颜色和形状信息的点云数据,然后将其与绝缘子的位置标签结合,作为训练示例。
可见,步骤110是获取并准备训练数据的过程,它为后续的模型训练和调试提供了必要的输入。这些训练示例包含了丰富的特征信息,可以帮助深度学习模型学习到绝缘子的各种特性,并据此进行准确的分割和分类。
在上述技术方案中,步骤120涉及到的关键名词有“待处理真彩点云扫描图像集”和“重构真彩点云扫描图像集”。
待处理真彩点云扫描图像集是指尚未进行深度学习模型处理的真彩点云数据。待处理真彩点云扫描图像集中的每一个点都包含了XYZ坐标和RGB颜色信息,这些信息反映了物体表面的形状和颜色特性。例如,可以使用激光雷达设备对输电线杆塔进行扫描,得到原始的点云数据,这就是待处理的真彩点云扫描图像集。
重构真彩点云扫描图像集是指经过某种预处理或转换后的真彩点云数据。这种预处理或转换可能是为了提取特定的特征,或者是为了适应特定的深度学***移等),以使其更好地对齐于某个参考坐标系,从而便于后续的分析和处理,这就得到了重构的真彩点云扫描图像集。
可见,步骤120是将原始的训练数据进行初步处理和转换的过程,它为后续的模型训练和调试提供了必要的输入。通过对原始数据的处理和重构,可以更好地利用深度学习模型的能力,提取出有用的特征,从而实现更准确的绝缘子分割和分类。
在上述技术方案中,步骤130涉及到的关键名词有“待调试的绝缘子实例分割网络”、“第一图像语义挖掘组件”、“待处理输电走廊通道区间”和“绝缘子点云图像语义向量”。
待调试的绝缘子实例分割网络是一个专门设计用于进行绝缘子实例分割的深度学习模型。在此阶段,该网络还处于待调试状态,也就是说,它还需要进一步训练以优化其参数,提高其对绝缘子实例进行分割的能力。
第一图像语义挖掘组件是绝缘子实例分割网络中的一个部分,负责从待处理的真彩点云扫描图像集中提取有意义的信息,也就是语义向量。这可能涉及到一系列深度学习技术,如卷积神经网络、自编码器等。
待处理输电走廊通道区间是指需要进行绝缘子实例分割的输电线路区域。这个区域包含了一条或多条输电线以及相应的杆塔和绝缘子,可以看作是工作目标。
绝缘子点云图像语义向量是指由第一图像语义挖掘组件从待处理的真彩点云扫描图像集中提取出的特征表示。语义向量通常包含了大量的信息,如物体的形状、大小、位置等,可以帮助理解和识别图像中的绝缘子实例。
举例来说,正在对一个输电线路进行检查,首先,使用无人机或其他设备获取该线路的点云图像数据,然后将其输入到待调试的绝缘子实例分割网络中。在网络的第一图像语义挖掘组件中,对这些数据进行处理,提取出反映绝缘子特性的语义向量。通过比较和分析这些语义向量,就可以得到绝缘子的分割结果。
进一步地,在深度学习中,语义向量通常是用来描述和表示一种复杂信息的数值型数据结构。在处理绝缘子点云图像时,语义向量可能包含了关于绝缘子形状、大小、颜色、位置等多方面的信息。
例如深度学习模型使用一个100维的向量来表示每个绝缘子实例,那么这个“绝缘子点云图像语义向量”可以是这样的:[0.32,-0.12,0.93,...,-0.27,0.88,-0.46]。这个向量中的每一个元素都反映了某种特性。例如,第1个元素可能代表了绝缘子的大小,第2个元素可能代表了绝缘子的形状,第3个元素可能代表了绝缘子的颜色,以此类推。需要注意的是,这些元素的具体含义并不是固定的,而是由深度学习模型自动学习得到的。
通过比较和分析这些语义向量,可以理解和识别图像中的绝缘子实例。例如,如果两个绝缘子的语义向量非常接近,那么就可以判断它们具有相似的特性;反之,如果它们的语义向量相差很大,那么就可以判断它们的特性存在显著的差异。
可见,绝缘子点云图像语义向量是理解和分析点云图像数据的重要工具,通过利用这些向量,可以实现对绝缘子实例的准确识别和分割。
在上述技术方案中,步骤140涉及到的关键名词有“第二图像语义挖掘组件”和“重构输电走廊通道区间”。
第二图像语义挖掘组件是绝缘子实例分割网络中的另一个部分,负责从重构的真彩点云扫描图像集中提取有意义的信息,也就是语义向量。这个组件可能使用与第一图像语义挖掘组件不同的模型或算法,以适应重构数据的特性。例如,它可能更加注重提取物体的形状和结构信息,而不是颜色和纹理信息。
重构输电走廊通道区间是指经过预处理或转换后的输电线路区域。这种预处理或转换可能包括平移、旋转、缩放等操作,目的是将原始的点云数据对齐到某个参考坐标系,使其更易于进行后续的处理和分析。
举例来说,例如首先使用激光雷达设备对输电线杆塔进行扫描,得到原始的点云数据。然后,根据绝缘子的形状特性,将这些数据进行旋转和平移,使得所有的绝缘子都位于同一个平面上,这就得到了重构的输电走廊通道区间。接着,将这些数据输入到第二图像语义挖掘组件中,提取出反映绝缘子特性的语义向量,为后续的模型训练和调试提供输入。
在上述技术方案中,步骤150涉及到的关键名词有“共性判别得分”。
共性判别得分是一种度量标准,用于评估两个或多个语义向量之间的相似性。在这个上下文中,共性判别得分用于比较待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量。高的共性判别得分意味着这两个语义向量非常接近,表示它们描述的绝缘子具有相似的特性;反之,低的共性判别得分则意味着这两个语义向量存在显著的差异。
例如,有两个100维的语义向量,它们分别为:
待处理绝缘子点云图像语义向量:[0.32,-0.12,0.93,...,-0.27,0.88,-0.46];
重构绝缘子点云图像语义向量:[0.31,-0.11,0.92,...,-0.26,0.89,-0.45]。
可以使用余弦相似度(Cosine Similarity)作为共性判别得分,计算这两个向量之间的角度。如果它们非常接近(即,角度接近0),那么得分将接近1,表示它们非常相似;反之,如果它们相距较远(即,角度接近180度),那么得分将接近-1,表示它们非常不同。
这个共性判别得分将被用于调试绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,以提高模型的准确性。
在上述技术方案中,步骤160涉及到的关键名词有“第一共性判别得分限值”、“第二共性判别得分限值”和“完成调试的绝缘子实例分割网络”。
第一共性判别得分限值是一个预设的阈值,用于评估相同输电线杆塔绝缘子训练示例中,待处理和重构区间的绝缘子点云图像语义向量之间的共性判别得分。只有当这个得分达到或超过该阈值时,才认为模型成功地捕捉到了同一实例在待处理和重构数据中的共性特征。
第二共性判别得分限值也是一个预设的阈值,但用于评估不同输电线杆塔绝缘子训练示例中,待处理和重构区间的绝缘子点云图像语义向量之间的共性判别得分。只有当这个得分低于该阈值时,才认为模型成功地区分了不同实例的特征。
举例来说,例如第一共性判别得分限值为0.9,第二共性判别得分限值为0.5。如果某一对相同实例的得分为0.95,而某一对不同实例的得分为0.4,那么可以认为模型成功地完成了调试。
完成调试的绝缘子实例分割网络是经过以上步骤调试后的网络模型。该模型应当能够有效地从输电线杆塔绝缘子的真彩点云扫描图像中提取出有意义的语义信息,并将这些信息用于分割和识别不同的绝缘子实例。在调试过程中,模型可能会经历多次迭代和优化,以便在处理实际问题时能够达到预期的性能。
在一个可能的应用场景下,需要对某个区域的输电线杆塔进行维护,为了更好地识别和处理线杆塔上的绝缘子,决定使用绝缘子实例分割网络。
首先,通过无人机搭载的LiDAR***对该区域的输电线杆塔进行扫描,得到了各输电线杆塔绝缘子的真彩点云扫描图像集。这些图像集包含了丰富的三维信息和颜色信息,能够用于生成详细的绝缘子模型。
然后,将每一份真彩点云扫描图像集拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集。待处理图像集包含原始的、未经处理的绝缘子数据,而重构图像集则是基于原始数据,利用特定算法处理和优化后的结果。
接着,将待处理真彩点云扫描图像集输入到绝缘子实例分割网络的第一图像语义挖掘组件中。这个组件根据输入的数据提取出各待处理输电走廊通道区间的绝缘子点云图像语义向量。
与此同时,也将重构真彩点云扫描图像集输入到绝缘子实例分割网络的第二图像语义挖掘组件中。这个组件会提取出各重构输电走廊通道区间的绝缘子点云图像语义向量。
接下来,计算每一输电线杆塔绝缘子训练示例对应的待处理和重构区间的绝缘子点云图像语义向量的共性判别得分。根据这个得分,可以调试待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,使其更好地提取语义信息。
最后,设定两个阈值,即第一共性判别得分限值和第二共性判别得分限值。当相同输电线杆塔绝缘子训练示例的共性判别得分不小于第一共性判别得分限值,并且不同输电线杆塔绝缘子训练示例的共性判别得分小于第二共性判别得分限值时,就认为绝缘子实例分割网络的调试已经完成。
这个过程结束后,就得到了一个能够准确识别和分割输电线杆塔绝缘子的神经网络模型,可以应用于后续的维护工作中。
由此,上述技术方案能够实现绝缘子实例的高效、准确的分割和识别,对于输电线杆塔的检测和维护工作具有极大的帮助。
首先,通过获取各输电线杆塔绝缘子的真彩点云扫描图像集训练示例,可以得到丰富的绝缘子数据。这些数据不仅包括了颜色信息,还包括了三维结构信息,使得能够从多个角度、多个维度理解和认知绝缘子。
其次,通过将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,并利用绝缘子实例分割网络的图像语义挖掘组件提取语义向量,可以将复杂的绝缘子形态和特征转化为简洁、明了的数学表示,进一步方便了后续的计算和分析。
接着,通过比较每一输电线杆塔绝缘子训练示例对应的待处理和重构区间的绝缘子点云图像语义向量的共性判别得分,可以有效地调试绝缘子实例分割网络的图像语义挖掘组件。这一步骤可以确保模型能够准确地识别和分割出同一实例的绝缘子,同时又能区分出不同实例的绝缘子。
最后,当共性判别得分满足预设条件时,就可以得到完成调试的绝缘子实例分割网络。这意味着已经训练出了一个能够高效、准确进行绝缘子实例分割的模型,这对于后续的输电线杆塔检测和维护工作将起到关键的作用。
总而言之,通过充分利用真彩点云扫描图像数据,结合先进的深度学习方法,成功地实现了绝缘子实例的自动化分割和识别,对于提高输电线杆塔的检测和维护效率,保障电力***的安全稳定运行具有重要价值。
在一些可能的实施例中,步骤150中的依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括步骤151-步骤152。
步骤151、从所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第一类绝缘子点云图像语义向量集,从所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第二类绝缘子点云图像语义向量集。
步骤152、根据所述第一类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
在这个实施例中,首先介绍两个新的技术术语。
第一类绝缘子点云图像语义向量集是从每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量中提取出的若干绝缘子点云图像语义向量。这些向量反映了待处理的绝缘子实例的特征。
第二类绝缘子点云图像语义向量集是从每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量中提取出的若干绝缘子点云图像语义向量。这些向量反映了重构后的绝缘子实例的特征。
接下来,通过一个具体的例子来说明这个过程。
例如有一个输电线杆塔绝缘子训练示例,它包含了10个待处理的绝缘子实例和10个重构的绝缘子实例。首先从待处理的绝缘子实例中提取出5个绝缘子点云图像语义向量,构成第一类绝缘子点云图像语义向量集。然后,从重构的绝缘子实例中提取出5个绝缘子点云图像语义向量,构成第二类绝缘子点云图像语义向量集。
接着,根据第一类和第二类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量的共性判别得分,对绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件进行调试。例如,如果发现某一个待处理的绝缘子实例在其语义向量与重构实例的语义向量之间的共性判别得分较低,可能需要调整模型的参数,以提高这个得分。
通过这样的方式,不仅能够更精确地调试模型,还能够有效地利用训练数据,使模型更好地学习和理解绝缘子实例的特征。这将有助于提高模型在实际应用中的准确性和鲁棒性,进一步提高输电线杆塔检测和维护工作的效率。
在另一些可能的实施例中,步骤160所描述的当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:当对应于相同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在这个可能的实施例中,步骤160进一步详细了对绝缘子实例分割网络的调试过程。具体来说,会考察同一个输电线杆塔绝缘子训练示例中,第一类和第二类绝缘子点云图像语义向量集之间的共性判别得分。如果这个得分不小于第一共性判别得分限值,那么就意味着模型能够较好地处理相同的绝缘子实例。
同样地,也会考察不同输电线杆塔绝缘子训练示例中,第一类和第二类绝缘子点云图像语义向量集之间的共性判别得分。如果这个得分小于第二共性判别得分限值,那么就意味着模型能够较好地区分不同的绝缘子实例。
以一个具体的应用场景为例,有两个输电线杆塔绝缘子训练示例A和B。在训练示例A中,提取出的第一类和第二类绝缘子点云图像语义向量集之间的共性判别得分是0.8,超过了设定的第一共性判别得分限值0.7,因此可以认为模型能够较好地处理训练示例A。然后,在训练示例A和B中,提取出的第一类和第二类绝缘子点云图像语义向量集之间的共性判别得分是0.2,低于设定的第二共性判别得分限值0.3,因此可以认为模型能够较好地区分训练示例A和B。
如此,通过对不同类型的绝缘子点云图像语义向量进行共性判别,可以更准确地评估和调试绝缘子实例分割网络的性能。同时,这也使得模型的训练过程更为灵活和高效,可以根据具体需求进行精细化的调整和优化,从而在实际应用中达到更好的效果。
在一种可替换的设计思路下,所述方法还包括步骤210-步骤230。
步骤210、针对每一输电线杆塔绝缘子训练示例,对其待处理真彩点云扫描图像集进行不同的语义标注处理,得到最少两组经语义标注处理的待处理真彩点云扫描图像集。
步骤220、将所述每一输电线杆塔绝缘子训练示例的所述最少两组经语义标注处理的待处理真彩点云扫描图像集,录入所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述最少两组经语义标注处理的待处理真彩点云扫描图像集分别生成对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量。
步骤230、针对所述每一输电线杆塔绝缘子训练示例,根据对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量。
在步骤210-步骤230的基础上,则步骤150所描述的依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括:依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,以及所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
在这个可替换的设计思路下,首先介绍一个新的技术术语:语义标注。语义标注是一种对图像数据进行标记的方法,它通过给图像中的每一个像素指定一个类别(例如:绝缘子、电线、塔身等),使得能够更明确地理解图像中各部分的含义。
例如,在步骤210中,针对每一输电线杆塔绝缘子训练示例,可以对其待处理真彩点云扫描图像集进行不同的语义标注处理。比如,可以将其中的绝缘子部分标记为“1”,非绝缘子部分标记为“0”,得到经过语义标注处理的待处理真彩点云扫描图像集。
接着,在步骤220和步骤230中,将经过语义标注处理的待处理真彩点云扫描图像集输入到绝缘子实例分割网络的第一图像语义挖掘组件中,根据语义标注生成相应的绝缘子点云图像语义向量,并得到最后待处理输电走廊通道区间的绝缘子点云图像语义向量。
在此基础上,步骤150进一步扩展为依据每一输电线杆塔绝缘子训练示例对应的待处理和重构区间的绝缘子点云图像语义向量,以及最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分,调试绝缘子实例分割网络的第一和第二图像语义挖掘组件。
这种设计思路的主要技术效果是提高了模型的泛化能力。通过不同的语义标注处理,可以让模型接触到更多样化的数据,从而使其在面对新的、未知的数据时,也能做出准确的预测。同时,通过比较不同语义标注下的共性判别得分,也能更精确地评估和优化模型的性能,进一步提升了模型的准确性和鲁棒性。
在步骤210-步骤230的基础上,则步骤160所描述的当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值,以及同一输电线杆塔绝缘子训练示例的所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分不小于第三共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
在此实施例中,步骤160增加了一项额外的条件,即同一输电线杆塔绝缘子训练示例的最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分不小于第三共性判别得分限值。这表示,对于相同的输电线杆塔绝缘子训练示例,经过不同语义标注处理后生成的语义向量之间的相似性必须达到一定程度。
例如,有一个输电线杆塔绝缘子训练示例C,经过两种不同的语义标注处理(如绝缘子部分标记为“1”和“2”),得到了两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量。如果这两个语义向量之间的共性判别得分不小于第三共性判别得分限值,那么说明模型能够很好地处理不同语义标注下的同一绝缘子实例。
这种设计思路的主要技术效果是进一步提升了模型的准确性和稳健性。在现实应用中,可能会遇到不同的语义标注情况,通过这种方式,模型可以更好地应对各种复杂情况,从而提高了绝缘子实例分割的准确性和效率,有利于提升输电线杆塔检测和维护工作的质量和效率。
在另一些示例性设计思路下,所述方法还包括:获取所述各输电线杆塔绝缘子训练示例各自的候选输电走廊通道区间集。则步骤130中的由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,包括:由所述第一图像语义挖掘组件以所述待处理真彩点云扫描图像集及所述候选输电走廊通道区间集作为强化要素对所述待处理真彩点云扫描图像集进行语义增强,得到所述各待处理输电走廊通道区间的绝缘子点云图像语义向量。
在这个示例性设计思路中,首先介绍两个新的技术术语:强化要素是一种可以用来增强模型训练效果的额外信息。在本例中,候选输电走廊通道区间集就被用作强化要素,提供了关于待处理真彩点云扫描图像集可能存在的绝缘子实例的额外信息。语义增强是一种通过使用额外信息(如强化要素)来提高模型对输入数据理解和识别能力的技术。在本例中,语义增强是通过将候选输电走廊通道区间集与待处理真彩点云扫描图像集一同输入到第一图像语义挖掘组件中,以得到更精确的绝缘子点云图像语义向量。
以一个具体的应用场景为例,有一个输电线杆塔绝缘子训练示例D,该示例包含了一个待处理真彩点云扫描图像集和一个候选输电走廊通道区间集。将这两部分数据一同输入到第一图像语义挖掘组件中,进行语义增强处理。经过处理后,得到了更精确的各待处理输电走廊通道区间的绝缘子点云图像语义向量。
这种设计思路的主要技术效果是,通过利用候选输电走廊通道区间集作为强化要素,进行语义增强处理,能够得到更精确、更丰富的绝缘子点云图像语义向量。这有助于提高绝缘子实例分割网络的准确性和鲁棒性,进一步优化了输电线杆塔的检测和维护工作,提高了电力***的安全稳定运行水平。
在另一些可能的实施例中,步骤120所描述的针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,包括步骤121-步骤122。
步骤121、针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将所述真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及过渡的重构真彩点云扫描图像集。
步骤122、根据所述过渡的重构真彩点云扫描图像集中对应输电线杆塔绝缘子训练的滑动滤波窗口的真彩点云扫描图像,确定所述重构真彩点云扫描图像集。
在这个可能的实施例中,过渡的重构真彩点云扫描图像集是在步骤121中,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及过渡的重构真彩点云扫描图像集。过渡的重构真彩点云扫描图像集包含了一系列处于不同重构阶段的真彩点云扫描图像,用于后续步骤中的重构操作。
例如,在步骤121中,针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将其拆解为待处理真彩点云扫描图像集以及过渡的重构真彩点云扫描图像集。具体来说,待处理真彩点云扫描图像集包含了原始的未经任何处理的图像数据,而过渡的重构真彩点云扫描图像集则包含了经过某种程度重构的图像数据。
接着,在步骤122中,根据过渡的重构真彩点云扫描图像集中对应输电线杆塔绝缘子训练的滑动滤波窗口的真彩点云扫描图像,确定所述重构真彩点云扫描图像集。具体来说,滑动滤波窗口是一种常用于图像处理的技术,它可以通过在图像上滑动一个小窗口,并对窗口内的像素进行某种运算(如平均、最大值等),从而实现对图像的平滑或增强。
这种设计思路的主要技术效果是提高了模型的灵活性和准确性。通过将真彩点云扫描图像集训练示例拆解成待处理和重构两部分,可以更加精细地控制模型的训练过程,使其能够更好地学习和理解绝缘子实例的特征。同时,通过使用滑动滤波窗口进行重构操作,还可以进一步提升模型对图像数据的处理能力,从而提高绝缘子实例分割的准确性。
接下来,在上述实施例的基础上,还提供了完成调试的绝缘子实例分割网络在应用阶段的实施例,该实施例包括如下步骤410-步骤440。
步骤410、获取目标输电线杆塔绝缘子的当前真彩点云扫描图像集。
步骤420、将所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集录入完成调试的绝缘子实例分割网络,由所述完成调试的绝缘子实例分割网络中第一图像语义挖掘组件根据所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集挖掘所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量。
步骤430、获取绝缘子点云图像知识集中各绝缘子聚类标签分别对应的绝缘子点云图像语义向量;所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量由所述完成调试的绝缘子实例分割网络中第二图像语义挖掘组件根据绝缘子聚类标签的绝缘子图像描述数据提取所得;
步骤440、依据所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量的共性判别得分,确定向所述目标输电线杆塔绝缘子分配的绝缘子聚类标签。
在这个实施例中,绝缘子聚类标签是根据已有的绝缘子实例训练数据进行聚类分析得到的标签,每个聚类标签对应一种特定类型的绝缘子。在步骤430中,获取了绝缘子点云图像知识集中各绝缘子聚类标签分别对应的绝缘子点云图像语义向量。
在具体的应用阶段,可以采取以下步骤:首先,需要获取目标输电线杆塔绝缘子的当前真彩点云扫描图像集。这些图像可能来自现场设备的实时扫描,或者来自预先录制的数据。接着,将这些图像输入到完成调试的绝缘子实例分割网络中,由第一图像语义挖掘组件根据这些图像挖掘出目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量。同时,还需要从绝缘子点云图像知识集中获取各绝缘子聚类标签分别对应的绝缘子点云图像语义向量。这些语义向量是由第二图像语义挖掘组件根据绝缘子聚类标签的绝缘子图像描述数据提取得到的。最后,依据待处理输电走廊通道区间的绝缘子点云图像语义向量与各绝缘子聚类标签对应的绝缘子点云图像语义向量的共性判别得分,确定向目标输电线杆塔绝缘子分配的绝缘子聚类标签。这个标签可以帮助快速识别和分类绝缘子实例。
示例性地,绝缘子聚类标签可以理解为绝缘子分割标签,它是根据已有的绝缘子实例训练数据进行聚类分析得到的。每个聚类标签对应一种特定类型的绝缘子。
例如,训练数据中包含了两种类型的绝缘子:玻璃绝缘子和复合材料绝缘子。在训练过程中,可能发现这两种类型的绝缘子在形状、大小、颜色等方面存在显著差异,因此将它们分别归入两个不同的聚类。于是,就得到了两个聚类标签,分别代表玻璃绝缘子和复合材料绝缘子。然后,在应用阶段,当获取到一个新的绝缘子实例的点云图像时,就可以将其输入到已经调试完成的绝缘子实例分割网络中,通过比较该实例与各个聚类标签对应的语义向量的共性判别得分,确定出该实例最可能属于哪一个聚类,从而得知它是玻璃绝缘子还是复合材料绝缘子。绝缘子聚类标签的引入,使得可以对绝缘子进行更精细的分类,这有助于提高输电线路的检测和维护工作的准确性和效率。
这种设计思路的主要技术效果是,通过利用已完成调试的绝缘子实例分割网络,可以快速、准确地识别和分类目标输电线杆塔绝缘子,进而为后续的维护和检修工作提供有效的支持,大大提高了电力***运行的效率和安全性。
在另外的应用场景下,目标输电线杆塔绝缘子包括单串绝缘子和复杂的双串绝缘子。
首先,获取目标输电线杆塔绝缘子(单串或双串)的当前真彩点云扫描图像集。这些图像可能是由无人机或者其他设备采集并传输到控制中心的。
然后,将这些真彩点云扫描图像集录入到完成调试的绝缘子实例分割网络中。网络中的第一图像语义挖掘组件根据这些图像挖掘出目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量。
接着,从绝缘子点云图像知识集中获取各绝缘子聚类标签分别对应的绝缘子点云图像语义向量。例如,“单串绝缘子”和“双串绝缘子”可能就是两个聚类标签。这些语义向量是由已调试完成的绝缘子实例分割网络中的第二图像语义挖掘组件根据绝缘子聚类标签的绝缘子图像描述数据提取得到的。
最后,依据目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与各绝缘子聚类标签分别对应的绝缘子点云图像语义向量的共性判别得分,确定向目标输电线杆塔绝缘子分配的绝缘子聚类标签。这样,就能知道目标输电线杆塔上的绝缘子是单串绝缘子还是双串绝缘子。
这种技术方案的主要技术效果在于,无论是单串还是复杂的双串绝缘子,都可以通过调试完成的绝缘子实例分割网络进行快速、准确的识别和分类,大大提升了输电线路检测和维护工作的效率,也提高了电力***运行的安全性。
在另一些可独立的实施例中,在获取目标输电线杆塔绝缘子的当前真彩点云扫描图像集后,对数据进行预处理是一项重要的工作。预处理能够帮助提升模型的性能和准确性,降低训练难度。
以下是一个具体的预处理过程:
离群值确定:在真彩点云扫描图像中,可能会存在一些离群值,也就是那些与大部分数据显著不同的点。这些离群值可能是由于测量误差、设备故障等原因产生的。离群值的存在可能会影响模型的学习效果。因此,需要先确定这些离群值。常用的方法包括统计分析(如箱线图、Z-Score等)、聚类分析、异常检测算法等;
离群值剔除:确定了离群值后,需要将它们从数据集中剔除。剔除的方式有多种,比如直接删除、替换为均值、中位数或其他特定值等。具体选择哪种方式,需要根据实际情况和任务需求来确定;
数据清洗:除了离群值处理,数据清洗还可能包括处理缺失值、消除重复数据、纠正错误的标注等步骤;
数据标准化:将数据缩放到一个特定的范围内,比如[0,1]或者[-1,1]。这可以防止因数值范围过大导致的梯度消失或梯度***问题,有助于模型的收敛;
数据增强:为了提高模型的泛化能力,还可以通过数据增强技术(如旋转、平移、噪声添加等)来扩充数据集。
经过预处理后,数据的质量和可用性都得到了显著提升,有利于模型的训练和应用。
基于此,在另一些可独立的实施例中,所述方法还包括:对所述当前真彩点云扫描图像集进行预处理,所述预处理包括离群值确定、离群值剔除、数据清洗、数据标准化和数据增强处理。
在另一些可独立的实施例中,在获得绝缘子聚类标签之后,可以通过可视化处理更直观地理解和展示目标输电线杆塔绝缘子的信息。以下是一种可能的可视化处理过程:
标签映射:首先,需要为每个绝缘子聚类标签分配一个独特的颜色。例如,可以将“单串绝缘子”标签映射为蓝色,将“双串绝缘子”标签映射为红色;
图像上色:然后,遍历目标输电线杆塔绝缘子的真彩点云扫描图像集,对每个绝缘子实例按照其聚类标签对应的颜色进行上色。例如,如果一个绝缘子实例被判定为“单串绝缘子”,那么就用蓝色来填充它在图像中的区域;如果被判定为“双串绝缘子”,则用红色填充;
结果展示:最后,将上色后的图像展示出来。这样,观察者就能直观地看到哪些区域是单串绝缘子,哪些区域是双串绝缘子,从而快速理解输电线杆塔绝缘子的分布和类型;
通过这样的可视化处理,可以更直观、更便捷地理解和展示目标输电线杆塔绝缘子的信息。这对于进一步的数据分析、故障诊断和维修决策等都非常有帮助。
基于此,在另一些可独立的实施例中,所述方法还包括:根据所述绝缘子聚类标签进行可视化处理,所述可视化处理包括标签映射、图像上色和结果展示。
在另外的一些示例中,绝缘子实例分割网络是一种深度学习网络,主要用于识别并分割出输电线路图像中的绝缘子实例。它通常由多个组件或层组成,包括卷积层、激活函数层、池化层和全连接层等。
卷积层:这是网络的核心组成部分,负责提取图像中的特征。卷积层通过在输入图像上滑动一个小窗口(称为卷积核或过滤器),并在每个位置计算窗口内像素与卷积核的点积,从而生成新的特征图(feature map)。
激活函数层:在卷积层后面通常会接一个激活函数层,如ReLU、Sigmoid或Tanh等。激活函数可以引入非线性,使得网络能够逼近复杂的函数,提高模型的表达能力。
池化层:池化层用于降低特征图的尺寸,减少计算量,同时提高模型的空间不变性。常见的池化操作有最大值池化、平均值池化等。
全连接层:全连接层通常位于网络的末端,负责将提取到的特征进行整合,并输出最终的预测结果。例如,在绝缘子实例分割任务中,全连接层可能会输出一个与输入图像同样大小的图像,其中每个像素的值表示对应位置是否为绝缘子实例。
在训练过程中,会用标注好的输电线路图像(即已知哪些区域是绝缘子)来训练这个网络,使其学会如何正确地识别和分割出绝缘子实例。在应用阶段,则可以用训练好的网络来处理新的输电线路图像,自动完成绝缘子实例的识别和分割任务。
综上,传统的机器学习方法,如聚类算法,虽然可以将绝缘子分为不同类别,但这种方法主要适用于直线塔中单串悬挂的绝缘子,对于耐张塔中承重耐张拉力的绝缘子和直线拉力的绝缘子往往无法正确聚类。另外,传统的机器学习方法往往基于距离度量进行聚类,这使得远离质心的点可能被错误地分到其他类别中去。
随着深度学习技术的发展,基于深度学习的图像处理方法已经广泛应用于多个领域,包括电力***。通过使用深度学习模型,可以从输电线路通道的三维激光点云数据中,准确、快速地识别和分类出单串或双串的绝缘子。然而,如何设计和实现这样一个基于深度学习的输电线杆塔绝缘子图像处理方法,仍然是一个有待解决的问题。
本申请提出的上述技术方案使用已经调试完成的绝缘子实例分割网络,通过对输电线路通道进行语义分割训练,获取到绝缘子点云数据模型,并利用深度学习模型对绝缘子数据进行实例分割,从而正确地识别和分类出单串或双串的绝缘子。相比传统的机器学习方法,这种新的技术方案具有更高的准确性和效率,能够大大提升输电线路检测和维护工作的效果,提高电力***的运行安全性。
图2为本申请实施例提供的一种深度学习图像处理***200的结构示意图。如图2所示的深度学习图像处理***200包括处理器210,处理器210可以从存储器中调用并运行计算机程序,以实现本申请实施例中的方法。
可选地,如图2所示,深度学习图像处理***200还可以包括存储器230。其中,处理器210可以从存储器230中调用并运行计算机程序,以实现本申请实施例中的方法。
其中,存储器230可以是独立于处理器210的一个单独的器件,也可以集成在处理器210中。
可选地,如图2所示,深度学习图像处理***200还可以包括收发器220,处理器210可以控制该收发器220与其他设备进行交互,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。
可选地,该深度学习图像处理***200可以实现本申请实施例的各个方法中存储引擎或存储引擎中的部件(如处理模块)或者部署有存储引擎的设备对应的相应流程,为了简洁,在此不再赘述。
应理解,本申请实施例的处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccess Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解,上述存储器为示例性但不是限制性说明,例如,本申请实施例中的存储器还可以是静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)以及直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)等等。也就是说,本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述基础上,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
综上,实现了绝缘子实例的高效准确分割和识别,对输电线杆塔检测和维护大有裨益。首先,通过获取真彩点云扫描图像集训练示例,获得包含颜色信息和三维结构的丰富绝缘子数据。然后,利用绝缘子实例分割网络提取语义向量,将复杂的绝缘子特征转化为简洁明了的数学表示。此外,模型调试阶段,通过比较待处理和重构区间的绝缘子点云图像语义向量的共性判别得分,可确保模型正确识别和分割同一实例的绝缘子,并区分不同实例。满足预设条件的共性判别得分表明完成了绝缘子实例分割网络的调试。因此,经过训练的模型能够高效、准确地进行绝缘子实例分割,对于后续的输电线杆塔检测和维护工作至关重要。总的来说,此方案充分利用了真彩点云扫描图像数据和深度学习方法,成功实现了绝缘子实例的自动化分割和识别,有助于提高输电线杆塔的检测和维护效率,保障电力***安全稳定运行。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。
Claims (10)
1.一种基于深度学习的输电线杆塔绝缘子图像处理方法,其特征在于,应用于深度学习图像处理***,所述方法包括:
获取目标输电线杆塔绝缘子的当前真彩点云扫描图像集;
将所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集录入完成调试的绝缘子实例分割网络,由所述完成调试的绝缘子实例分割网络中第一图像语义挖掘组件根据所述目标输电线杆塔绝缘子的当前真彩点云扫描图像集挖掘所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量;
获取绝缘子点云图像知识集中各绝缘子聚类标签分别对应的绝缘子点云图像语义向量;所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量由所述完成调试的绝缘子实例分割网络中第二图像语义挖掘组件根据绝缘子聚类标签的绝缘子图像描述数据提取所得;
依据所述目标输电线杆塔绝缘子对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述各绝缘子聚类标签分别对应的绝缘子点云图像语义向量的共性判别得分,确定向所述目标输电线杆塔绝缘子分配的绝缘子聚类标签。
2.根据权利要求1所述的方法,其特征在于,绝缘子实例分割网络的调试方法包括:
获取各输电线杆塔绝缘子训练示例各自的真彩点云扫描图像集训练示例;
针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,得到所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集以及重构真彩点云扫描图像集;
将所述每一输电线杆塔绝缘子训练示例的待处理真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各待处理输电走廊通道区间的绝缘子点云图像语义向量;
将所述每一输电线杆塔绝缘子训练示例的重构真彩点云扫描图像集录入待调试的绝缘子实例分割网络的第二图像语义挖掘组件,由所述第二图像语义挖掘组件根据所述重构真彩点云扫描图像集提取各重构输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述各重构输电走廊通道区间的绝缘子点云图像语义向量;
依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件;
当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
3.根据权利要求2所述的方法,其特征在于,所述依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括:
从所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第一类绝缘子点云图像语义向量集,从所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量中提取若干绝缘子点云图像语义向量作为第二类绝缘子点云图像语义向量集;
根据所述第一类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中各绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
4.根据权利要求3所述的方法,其特征在于,所述当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:
当对应于相同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的所述第一类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量与所述第二类绝缘子点云图像语义向量集中的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
针对每一输电线杆塔绝缘子训练示例,对其待处理真彩点云扫描图像集进行不同的语义标注处理,得到最少两组经语义标注处理的待处理真彩点云扫描图像集;
将所述每一输电线杆塔绝缘子训练示例的所述最少两组经语义标注处理的待处理真彩点云扫描图像集,录入所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件,由所述第一图像语义挖掘组件根据所述最少两组经语义标注处理的待处理真彩点云扫描图像集分别生成对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到所述每一输电线杆塔绝缘子训练示例对应的所述最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量;
针对所述每一输电线杆塔绝缘子训练示例,根据对应的最少两组各待处理输电走廊通道区间的绝缘子点云图像语义向量,得到最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量;
所述依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件,包括:
依据所述每一输电线杆塔绝缘子训练示例对应的各待处理输电走廊通道区间的绝缘子点云图像语义向量与所述每一输电线杆塔绝缘子训练示例对应的各重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分,以及所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分,调试所述待调试的绝缘子实例分割网络的第一图像语义挖掘组件和第二图像语义挖掘组件。
6.根据权利要求5所述的方法,其特征在于,所述当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值时,得到完成调试的绝缘子实例分割网络,包括:
当对应于相同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分不小于第一共性判别得分限值,且对应于不同输电线杆塔绝缘子训练示例的待处理输电走廊通道区间的绝缘子点云图像语义向量与重构输电走廊通道区间的绝缘子点云图像语义向量的共性判别得分小于第二共性判别得分限值,以及同一输电线杆塔绝缘子训练示例的所述最少两个最后待处理输电走廊通道区间的绝缘子点云图像语义向量间的共性判别得分不小于第三共性判别得分限值时,得到完成调试的绝缘子实例分割网络。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述各输电线杆塔绝缘子训练示例各自的候选输电走廊通道区间集;所述由所述第一图像语义挖掘组件根据所述待处理真彩点云扫描图像集提取各待处理输电走廊通道区间的绝缘子点云图像语义向量,包括:
由所述第一图像语义挖掘组件以所述待处理真彩点云扫描图像集及所述候选输电走廊通道区间集作为强化要素对所述待处理真彩点云扫描图像集进行语义增强,得到所述各待处理输电走廊通道区间的绝缘子点云图像语义向量。
8.根据权利要求2所述的方法,其特征在于,所述针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及重构真彩点云扫描图像集,包括:
针对每一输电线杆塔绝缘子训练示例的真彩点云扫描图像集训练示例,将所述真彩点云扫描图像集训练示例拆解成待处理真彩点云扫描图像集以及过渡的重构真彩点云扫描图像集;
根据所述过渡的重构真彩点云扫描图像集中对应输电线杆塔绝缘子训练的滑动滤波窗口的真彩点云扫描图像,确定所述重构真彩点云扫描图像集。
9.一种深度学习图像处理***,其特征在于,包括至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041456.6A CN117854051A (zh) | 2024-01-11 | 2024-01-11 | 基于深度学习的输电线杆塔绝缘子图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041456.6A CN117854051A (zh) | 2024-01-11 | 2024-01-11 | 基于深度学习的输电线杆塔绝缘子图像处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117854051A true CN117854051A (zh) | 2024-04-09 |
Family
ID=90545997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410041456.6A Pending CN117854051A (zh) | 2024-01-11 | 2024-01-11 | 基于深度学习的输电线杆塔绝缘子图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117854051A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN110232413A (zh) * | 2019-05-31 | 2019-09-13 | 华北电力大学(保定) | 基于gru网络的绝缘子图像语义描述方法、***、装置 |
CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
CN112037215A (zh) * | 2020-09-09 | 2020-12-04 | 华北电力大学(保定) | 一种基于零样本学习的绝缘子缺陷检测方法及*** |
CN114782370A (zh) * | 2022-04-25 | 2022-07-22 | 云南电网有限责任公司电力科学研究院 | 基于深度学习卫星遥感影像绝缘子串自动识别方法及设备 |
CN114842295A (zh) * | 2022-04-29 | 2022-08-02 | 中铁第四勘察设计院集团有限公司 | 绝缘子故障检测模型的获得方法、装置及电子设备 |
-
2024
- 2024-01-11 CN CN202410041456.6A patent/CN117854051A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN110232413A (zh) * | 2019-05-31 | 2019-09-13 | 华北电力大学(保定) | 基于gru网络的绝缘子图像语义描述方法、***、装置 |
CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
CN112037215A (zh) * | 2020-09-09 | 2020-12-04 | 华北电力大学(保定) | 一种基于零样本学习的绝缘子缺陷检测方法及*** |
CN114782370A (zh) * | 2022-04-25 | 2022-07-22 | 云南电网有限责任公司电力科学研究院 | 基于深度学习卫星遥感影像绝缘子串自动识别方法及设备 |
CN114842295A (zh) * | 2022-04-29 | 2022-08-02 | 中铁第四勘察设计院集团有限公司 | 绝缘子故障检测模型的获得方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
董昱程: "基于深度学习的输电线路杆塔点云分类方法", 云南电力技术, 30 June 2022 (2022-06-30), pages 15 - 21 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255776B (zh) | 一种输电线路开口销缺损自动识别方法 | |
Zhai et al. | Fault detection of insulator based on saliency and adaptive morphology | |
Liu et al. | Learning gaussian instance segmentation in point clouds | |
TW201732651A (zh) | 一種單詞的分割方法和裝置 | |
CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN109377555B (zh) | 自主水下机器人前景视场三维重建目标特征提取识别方法 | |
CN112613502A (zh) | 文字识别方法及装置、存储介质、计算机设备 | |
EP3734496A1 (en) | Image analysis method and apparatus, and electronic device and readable storage medium | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN112990175B (zh) | 手写中文字符的识别方法、装置、计算机设备和存储介质 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、***及终端设备 | |
US11461996B2 (en) | Method, apparatus and system for determining feature data of image data, and storage medium | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN111325766A (zh) | 三维边缘检测方法、装置、存储介质和计算机设备 | |
CN116092122A (zh) | 一种协作多特征聚类无监督行人再识别方法和*** | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN112614094A (zh) | 基于序列状态编码的绝缘子串异常定位识别方法 | |
CN111414895A (zh) | 一种人脸识别方法,装置及存储设备 | |
CN117854051A (zh) | 基于深度学习的输电线杆塔绝缘子图像处理方法及*** | |
CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN113705559B (zh) | 基于人工智能的文字识别方法及装置、电子设备 | |
CN114898290A (zh) | 一种海上船舶实时检测方法及*** |
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 |