一种训练集获取方法、电力设施检测方法及装置制造方法及图纸

本发明专利技术公开了一种训练集获取方法、电力设施检测方法及装置，其中，所述训练集获取方法，包括：获取样本图像；对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。所述训练集获取方法中，通过对样本图像进行高斯金字塔处理和拉普拉斯金字塔处理，得到的训练集中包括高斯金字塔图像数据和拉普拉斯金字塔图像数据，一方面，有效的丰富了训练集中的样本数量，另一方面，有助于提高模型准确性。

【技术实现步骤摘要】
一种训练集获取方法、电力设施检测方法及装置
本专利技术涉及深度学习
，具体的说是一种训练集获取方法、电力设施检测方法及装置。
技术介绍
采用深度学习技术进行图像检测是近年来的技术发展趋势。在深度学习中，一般要求训练集中的样本数量要充足，样本数量越多，训练出来的模型效果越好，模型的泛化能力越强。但是实际中，样本数量不足或者样本质量不够好，这就要对样本做数据增强，来提高样本质量。所谓的数据增强(DataAugmentation)方法是指利用平移、缩放、颜色等变躁，人工增大训练集中样本的个数，从而获得充足的训练数据，使模型训练的效果更好。典型的数据增强方法有翻转(Flip)，旋转(Rotat)，缩放(Scale)，随机裁剪或补零(RandomCroporPad)，色彩抖动(Colorjittering)，加噪声(Noise)等等。但是专利技术人发现，现有的数据增强方法均为几何变换或者仿射变换，是针对原图像的简单变形，没有突出图像的稳定特征，采用该方式获得的训练集中噪声较多，且易丢失关键特征，导致使用该训练集训练出来的模型的准确率本文档来自技高网...

【技术保护点】
1.一种训练集获取方法，其特征在于，包括：/n获取样本图像；/n对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；/n对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；/n获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。/n

【技术特征摘要】
1.一种训练集获取方法，其特征在于，包括：
获取样本图像；
对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；
对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；
获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。


2.根据权利要求1所述的训练集获取方法，其特征在于，所述对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据，包括：
将所述样本图像迭代进行如下操作：利用高斯核进行卷积、下采样、去除偶数行和列，直至满足迭代终止条件，得到高斯金字塔图像数据。


3.根据权利要求1所述的训练集获取方法，其特征在于，所述对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据，包括：
针对高斯金字塔图像数据中任意相邻的两层图像数据，用其中下层图像数据减去上层图像数据获得差值数据，利用高斯核对所述差值数据进行卷积，获得差值图像数据层；
将全部差值图像数据层按照与高斯金字塔对应的顺序进行码放，获得拉普拉斯金字塔图像数据。


4.根据权利要求3所述的训练集获取方法，其特征在于，所述用其中下层图像数据减去上层图像数据获得差值数据之后，还包括：
对所述差值数据进行上采样，得到上采样后的差值数据；
所述利用高斯核对所述差值数据进行卷积，获得差值图像数据层，包括：
利用高斯核对所述上采样后的差值数据进行卷积，获得差值图像数据层。


5.根据权利要求1所述的训练集获取方法，其特征在于，所述方法还包括：
获取所述高斯金字塔图像数据中包括的样本图像的缺陷标注数据；
针对所述高斯金字塔图像数据以及所述拉普拉斯金字塔图像数据中除所述样本图像之外的每层图像数据，根据所述样本图像与该层图像数据的尺度变换关系，对所述样本图像的缺陷标注数据进行尺度变换，得到该层图像数据的缺陷标注数据；
所述获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，包括：
获得包括所述高斯金字塔...

【专利技术属性】
技术研发人员：郭敬林，刘远，赵拴宝，张剑，张楠，
申请(专利权)人：北京国电通网络技术有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11