一种可见光图像绝缘子识别方法技术

本发明专利技术实施例提供了一种可见光图像绝缘子识别方法，解决了现有复杂背景下的可见光图像绝缘子通用性差以及识别率不高的问题。本发明专利技术实施例方法包括：根据原始图像构建训练样本数据集；根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口；通过训练后的卷积神经网络对绝缘子候选窗口进行识别，输出绝缘子细提取窗口；通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口。本发明专利技术实施例提供的识别方法通过BING算法解决了现有复杂背景下的可见光图像绝缘子通用性差的问题，通过卷积神经网络和高重叠度窗口迭代加权合并算法解决了识别率不高的问题。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种可见光图像绝缘子识别方法。
技术介绍
电力系统使用最多的电力设备是线路绝缘子。绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用。早年间绝缘子多用于电线杆，慢慢发展于高型高压电线连接塔的一端挂了很多盘状的绝缘体，它是为了增加爬电距离的，通常由玻璃或陶瓷制成，就叫绝缘子。绝缘子不应该由于环境和电负荷条件发生变化导致的各种机电应力而失效，否则绝缘子就不会产生重大的作用，就会损害整条线路的使用和运行寿命。因此对绝缘子的识别可有助于我们分析和确认绝缘子的情况，为后续监控、维修等事务提供基础。目前国内外基于可见光图像的绝缘子识别方法大多依据其轮廓信息、颜色信息或纹理信息。基于轮廓特征的可见光图像绝缘子识别方法准确度受航拍的姿态角影响较大，此类算法多用于安装于电塔上的视频终端采集到的图像；基于颜色特征的可见光绝缘子识别方法针对性较强，如马帅营等提出的绝缘子图像分割算法以绝缘子颜色已知作为分割前提；基于纹理特征的可见光绝缘子识别方法易受复杂背景下纹理相似的伪目标干扰，如李卫国等人提出基于改进MPEG-7纹理特征的绝缘子识别方法在处理简单背景下的绝缘子图像有较好的识别效果。在基于机器学习的可见光绝缘子识别应用中，李岩等人提出基于HOG特征和SVM的绝缘子识别与定位，虽然其在简单背景下的绝缘子图像中识别效果较好，但在复杂背景下的识别效果却不甚理想。因此，现有复杂背景下的可见光图像绝缘子通用性差以及识别率不高是本领域人员需要解决的技术问题。
技术实现思路
本专利技术实施例提供了一种可见光图像绝缘子识别方法，解决了现有复杂背景下的可见光图像绝缘子通用性差以及识别率不高的问题。本专利技术实施例提供一种可见光图像绝缘子识别方法，包括：根据原始图像构建训练样本数据集；根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口；根据训练样本数据集对卷积神经网络进行训练，使得训练后的卷积神经网络对绝缘子候选窗口进行识别，输出绝缘子细提取窗口；通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口。优选地，所述根据原始图像构建训练样本数据集具体包括：将原始图像等比例缩小至预设的大小；从原始图像中框选出具有绝缘子的区域并记录框选范围内的图像记为正样本图像；从原始图像中随机框选出不包含绝缘子的区域并计算与正样本图像的重叠率，舍弃超过预设重叠率阈值的区域，保留不超过所述预设重叠率阈值的区域记为负样本图像；将正样本图像和负样本图像统一调整为预设的大小，作为训练样本存入训练样本数据集。优选地，所述根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口具体包括：计算训练样本数据集的规则化梯度特征gl；将规则化梯度特征gl作为原始输入数据，训练级联SVM的分类器，获取第一分类参数w，使得第一分类器根据第一分类参数计算训练样本数据集中每个训练样本对应的首次得分Sl＝＜w,gl＞，其中l＝(i,x,y)，l为训练样本在原始图像中的位置，i的取值对应不同的采样尺度，x和y为尺度i下训练样本在原始图像中的坐标；将窗口得分Sl作为原始输入数据，训练级联SVM的分类器，获取对应第二分类参数Vi和Ti，使得第二分类器根据第二分类参数计算训练样本数据集中每个训练样本对应的第二得分Ol＝Vi*Sl+Ti；使用训练所得的分类参数对原始图像进行检测，输出第二得分Ol大于预设第二得分Ol阈值的绝缘子候选窗口。优选地，所述通过训练后的卷积神经网络对绝缘子区域候选窗口进行识别，输出绝缘子细提取窗口具体为：将绝缘子候选窗口中的正样本窗口的数量增大至与负样本窗口的数量处于同一个数量级；将正样本窗口和负样本窗口输入第一卷积神经网络进行特征自学习，获取第一卷积神经网络参数；通过第一卷积神经网络根据第一卷积神经网络参数对原始图像进行检测，输出识别结果并对识别结果中错分为背景的正样本窗口重新归类为正样本窗口，以改正后的结果输入第二卷积神经网络进行特征自学习，获得第二卷积神经网络参数；将绝缘子候选窗口输入第一卷积神经网络根据第一卷积神经网络参数进行检测，输出第一识别输出窗口，将第一识别输出窗口输入第二卷积神经网络根据第二卷积神经网络参数进行检测，输出绝缘子细提取窗口。优选地，所述通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口具体为：S1、从绝缘子细提取窗口中选择任意一个窗口wi，若群组列表L为空，则添加一个群组K，并将wi放入K中；S2、检测wi与L中各群组是否存在重叠率大于ε的窗口，若有，则将wi添加进该群组中；若没有，则向L中添加一个包含wi的新群组；S3、判断绝缘子细提取窗口中的窗口是否挑选完毕，若否，则返回步骤S1；S4、针对L中每一个群组K，按照公式进行计算出窗口参数从而根据窗口参数确定绝缘子目标窗口，其中为窗口参数，包括最小x，y坐标与最大x，y坐标，score为窗口由卷积神经网络计算出来的从属概率，即窗口得分。本专利技术实施例提供一种可见光图像绝缘子识别装置，基于上述的可见光图像绝缘子识别方法进行识别，其特征在于，包括：训练样本数据集构建模块，用于根据原始图像构建训练样本数据集；绝缘子候选窗口确定模块，用于根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口；绝缘子细提取窗口确定模块，用于根据训练样本数据集对卷积神经网络进行训练，使得训练后的卷积神经网络对绝缘子候选窗口进行识别，输出绝缘子细提取窗口；绝缘子目标窗口确定模块，用于通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口。优选地，所述训练样本数据集构建模块具体包括：缩小单元，用于将原始图像等比例缩小至预设的大小；正样本单元，用于从原始图像中框选出具有绝缘子的区域并记录框选范围内的图像记为正样本图像；负样本单元，用于从原始图像中随机框选出不包含绝缘子的区域并计算与正样本图像的重叠率，舍弃超过预设重叠率阈值的区域，保留不超过所述预设重叠率阈值的区域记为负样本图像；储蓄单元，用于将正样本图像和负样本图像统一调整为预设的大小，作为训练样本存入训练样本数据集。优选地，所述绝缘子候选窗口确定模块具体包括：特征单元，用于计算训练样本数据集的规则化梯度特征gl；首次得分单元，用于将规则化梯度特征gl作为原始输入数据，训练级联SVM的分类器，获取第一分类参数w，使得第一分类器根据第一分类参数计算训练样本数据集中每个训练样本对应的首次得分Sl＝＜w,gl＞，其中l＝(i,x,y)，l为训练样本在原始图像中的位置，i的取值对应不同的采样尺度，x和y为尺度i下训练样本在原始图像中的坐标；第二得分单元，用于将窗口得分Sl作为原始输入数据，训练级联SVM的分类器，获取对应第二分类参数Vi和Ti，使得第二分类器根据第二分类参数计算训练样本数据集中每个训练样本对应的第二得分Ol＝Vi*Sl+Ti；绝缘子候选窗口输出单元，用于使用训练所得的分类参数对原始图像进行检测，输出第二得分Ol大于预设第二得分Ol阈值的绝缘子候选窗口。优选地，所述绝缘子细提取窗口确定模块具体包括：数量增多单元，用于将绝缘子候选窗口中的正样本窗口的数量增多至与负样本窗口的数量处于同一个数量级；第一本文档来自技高网...

【技术保护点】
一种可见光图像绝缘子识别方法，其特征在于，包括：根据原始图像构建训练样本数据集；根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口；根据训练样本数据集对卷积神经网络进行训练，使得训练后的卷积神经网络对绝缘子候选窗口进行识别，输出绝缘子细提取窗口；通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口。

【技术特征摘要】
1.一种可见光图像绝缘子识别方法，其特征在于，包括：根据原始图像构建训练样本数据集；根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口；根据训练样本数据集对卷积神经网络进行训练，使得训练后的卷积神经网络对绝缘子候选窗口进行识别，输出绝缘子细提取窗口；通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口。2.根据权利要求1所述的可见光图像绝缘子识别方法，其特征在于，所述根据原始图像构建训练样本数据集具体包括：将原始图像等比例缩小至预设的大小；从原始图像中框选出具有绝缘子的区域并记录框选范围内的图像记为正样本图像；从原始图像中随机框选出不包含绝缘子的区域并计算与正样本图像的重叠率，舍弃超过预设重叠率阈值的区域，保留不超过所述预设重叠率阈值的区域记为负样本图像；将正样本图像和负样本图像统一调整为预设的大小，作为训练样本存入训练样本数据集。3.根据权利要求1所述的可见光图像绝缘子识别方法，其特征在于，所述根据训练样本数据集，采用BING算法对原始图像进行检测，输出绝缘子候选窗口具体包括：计算训练样本数据集的规则化梯度特征gl；将规则化梯度特征gl作为原始输入数据，训练级联SVM的分类器，获取第一分类参数w，使得第一分类器根据第一分类参数计算训练样本数据集中每个训练样本对应的首次得分Sl＝＜w,gl＞，其中l＝(i,x,y)，l为训练样本在原始图像中的位置，i的取值对应不同的采样尺度，x和y为尺度i下训练样本在原始图像中的坐标；将窗口得分Sl作为原始输入数据，训练级联SVM的分类器，获取对应第二分类参数Vi和Ti，使得第二分类器根据第二分类参数计算训练样本数据集中每个训练样本对应的第二得分Ol＝Vi*Sl+Ti；使用训练所得的分类参数对原始图像进行检测，输出第二得分Ol大于预设第二得分Ol阈值的绝缘子候选窗口。4.根据权利要求1所述的可见光图像绝缘子识别方法，其特征在于，所述通过训练后的卷积神经网络对绝缘子区域候选窗口进行识别，输出绝缘子细提取窗口具体为：将绝缘子候选窗口中的正样本窗口的数量增大至与负样本窗口的数量处于同一个数量级；将正样本窗口和负样本窗口输入第一卷积神经网络进行特征自学习，获取第一卷积神经网络参数；通过第一卷积神经网络根据第一卷积神经网络参数对原始图像进行检测，输出识别结果并对识别结果中错分为背景的正样本窗口重新归类为正样本窗口，以改正后的结果输入第二卷积神经网络进行特征自学习，获得第二卷积神经网络参数；将绝缘子候选窗口输入第一卷积神经网络根据第一卷积神经网络参数进行检测，输出第一识别输出窗口，将第一识别输出窗口输入第二卷积神经网络根据第二卷积神经网络参数进行检测，输出绝缘子细提取窗口。5.根据权利要求1所述的可见光图像绝缘子识别方法，其特征在于，所述通过高重叠度窗口迭代加权合并算法对绝缘子细提取窗口进行计算，输出绝缘子目标窗口具体为：S1、从绝缘子细提取窗口中选择任意一个窗口wi，若群组列表L为空，则添加一个群组K，并将wi放入K中；S2、检测wi与L中各群组是否存在重叠率大于ε的窗口，若有，则将wi添加进该群组中；若没有，则向L中添加一个包含wi的新群组；S3、判断绝缘子细提取窗口中的窗口是否挑选完毕，若否，则返回步骤S1；S4、针对L中每一个群组K，按照公式进行计算出窗口参数从而根据窗口参数确定绝缘子目标窗口，其中为窗口参数，包括最小x，y坐标与最大x，y坐标，score为窗口由卷积神经网络计算出来的从属概率，即窗口得分。6.一种可见光图像绝缘子识别装置，基于权利要求1至5中任意一项所述的可见光图像绝缘子识别方法进行识别，其特征在于，包括：训练样本数据集构建模块，用于根据原始图...

【专利技术属性】
技术研发人员：彭向阳，王柯，钱金菊，郑晓光，王锐，饶章权，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：广东;44