电力巡检少样本图像数据增强方法及系统技术方案

本公开提出了电力巡检少样本图像数据增强方法及系统，包括：对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。实现少样本的增强，便于利用人工智能深度学习算法进行训练，有利于图像的准确识别。

【技术实现步骤摘要】
电力巡检少样本图像数据增强方法及系统
本公开属于图像处理
，尤其涉及电力巡检少样本图像数据增强方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。电力巡检过程中，采用巡检机器人或无人机进行巡检采集相应对象的图像，上述巡检所存在的技术问题是：(1)电力巡检图像识别模型对样本进行识别时，其中样本整理、标注主要以人工为主，人工标注工作量大，精度较低。(2)电力设备缺陷识别应用中，电力设备出现某类缺陷的频率和总数较少，对应的采集的图像就较少，从而造成电力设备缺陷的样本较少，利用人工智能深度学习算法训练时，样本数量不能满足训练的要求，难以实现利用人工智能深度学习算法进行图像的识别。
技术实现思路
为克服上述现有技术的不足，本公开提供了电力巡检少样本图像数据增强方法，对少样本的增强，解决了样本数量不够的问题。为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：电力巡检少样本图像数据增强方法，包括：对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。进一步的技术方案，进行标定之前，对电力巡检所采集的待识别实物的少量图像进行预处理，增强图像的质量。优选的，少量图像进行预处理，包括对图像进行去模糊、去抖动的图像预处理。进一步的技术方案，将标定后的图像进行去背景处理，获得带有透明背景的实物图片。进一步的技术方案，对去背景后的实物图片进行变换，具体为：对透明背景的图像做随机放缩、旋转、放射变换。进一步的技术方案，对去背景后的实物图片进行变换后，还包括：对图像增加不同光照渲染，模拟不同光照条件下的情况，并获取不同光照条件下的图像数据。进一步的技术方案，生成海量已经标定的图片之后，进行多样本数据增强。进一步的技术方案，多样本数据增强时，具体为：定义特征空间，将每个样本对应到特征空间中的某一点，根据样本不平衡比例确定采样倍率；对每一个小样本类样本，按欧氏距离找出最近邻样本，从中随机选取一个样本点，在特征空间中样本点与最近邻样本点的连线段上随机选取一点作为新样本点，实现直到大、小样本数量平衡。进一步的技术方案，所述背景图片为现实中拍摄的背景图像或开源的纹理库中背景图像，两种图像呈一定的比例以使训练图像兼顾虚拟和现实数据。另一方面，公开了电力巡检少样本图像数据增强系统，包括：图像标定模块，被配置为：对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；图像变换模块，被配置为：将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；海量图片生成模块，被配置为：更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。以上一个或多个技术方案存在以下有益效果：本公开技术方案提出了一种电力巡检少样本图像数据增强方法，实现了少样本巡检设备图像的自动增强，避免了在电力巡检图像识别业务中，样本人工标注工作量大及巡检样本图像收集困难的问题，提升了少样本条件下，机器人巡检图像识别的准确性。本公开技术方案利用虚拟现实技术，自动生成设备背景纹理，基于虚拟背景纹理图像，通过图像的放缩、旋转、放射变换，方式、放缩等方式，增加样本背景及尺度的丰富度，实现了少样本巡检设备图像的自动增强，避免了在电力巡检图像识别业务中，样本人工标注工作量大及巡检样本图像收集困难的问题，提升了少样本条件下，机器人巡检图像识别的准确性。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例电力巡检少样本图像数据增强方法流程图；图2为本公开实施例实际操作示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例一参见附图1、2所示，本实施例公开了电力巡检少样本图像数据增强方法，包括：对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。本公开通过上述方式实现多种样本图像数据及样本标注文件的扩充，丰富样本的图像数据，便于后续利用人工智能深度学习算法进行图像训练的实现，从而更准确的实现图像设备状态的识别。为了更好的说明上述技术方案，下面以变电站内某仪表为例进行说明少样本到海量样本的生成过程：首先，利用巡检机器人现场采集变电站某仪表设备的正面、侧面、背面图像各数张。对电力巡检所采集的待识别实物的少量图像进行预处理，增强图像的质量。少量图像进行预处理，包括对图像进行去模糊、去抖动等图像预处理。将采集到的少量图像，进行标定，实现图像中设备区域的标定。由此此步骤进行标定，还是少量图像，进行标定数量较少。将标定后的图像进行去背景处理，获得带有透明背景的实物图片。在该步骤中进行去背景处理，从而获得带有透明背景的实物图片，以便后续进行背景的更换，实现不同背景下的实物图像。对去背景后的实物图片进行变换，具体为：对透明背景的图像做随机放缩、旋转、放射变换。模拟从不同角度、不同距离拍摄该设备的情况。针对所获得少量图像，由于采集时有些部位不方便采集或者无法进行采集从而得不到对应角度的图像，通过上述步骤的变换处理，可以得到相对全面的实物图像，更能有助于表明实物的结构状态。对去背景后的实物图片进行变换后，还包括：将图像导入到Blender软件中，对图像增加不同光照渲染，模拟不同光照条件下的情况，并获取不同光照条件下的图像数据。由于获得的少量图像是在某一定时间下某种光照的图像，不能满足不同情况光照下的图像的需求，因此，进行上述操作，获得不同光照条件下的图像数据，能够使得图像的种类满足训练时的要求。更新纹理背景或背景环境，获得待识别实物在不同纹理背本文档来自技高网...

【技术保护点】
1.电力巡检少样本图像数据增强方法，其特征是，包括：/n对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；/n将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；/n更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。/n

【技术特征摘要】
1.电力巡检少样本图像数据增强方法，其特征是，包括：
对电力巡检所采集的待识别实物的少量图像中设备区域进行标定；
将标定后的图像进行去背景处理，并对去背景后的实物图片进行变换，模拟从不同角度、不同距离拍摄该设备的情况；
更新背景图片，获得待识别实物在不同背景中的图像，从而生成海量已经标定的图片。


2.如权利要求1所述的电力巡检少样本图像数据增强方法，其特征是，进行标定之前，对电力巡检所采集的待识别实物的少量图像进行预处理，增强图像的质量。


3.如权利要求1所述的电力巡检少样本图像数据增强方法，其特征是，对去背景后的实物图片进行变换，具体为：对透明背景的图像做随机放缩、旋转、放射变换。


4.如权利要求1所述的电力巡检少样本图像数据增强方法，其特征是，对去背景后的实物图片进行变换后，还包括：
对图像增加不同光照渲染，模拟不同光照条件下的情况，并获取不同光照条件下的图像数据。


5.如权利要求1所述的电力巡检少样本图像数据增强方法，其特征是，生成海量已经标定的图片之后，进行多样本数据增强。


6.如权利要求5所述的电力巡检少样本图像数据增强方法，其特征是，多样本数据增强时，具体为：
定义特征空间，将每个样本对应到特征空间中的某一点，根据样本不平衡比例...

【专利技术属性】
技术研发人员：王振利，王万国，李建祥，肖鹏，郝永鑫，王克南，郭锐，王海鹏，张海龙，刘丕玉，
申请(专利权)人：国网智能科技股份有限公司，
类型：发明
国别省市：山东;37