变电设备图像分类方法、装置、计算机设备和介质制造方法及图纸

本申请涉及电力行业领域，提供了一种变电设备图像分类方法、装置、计算机设备和存储介质。本申请可提升获取变电设备图像分类信息的效率。该方法包括：获取待分类的变电设备图像，以及变电设备图像对应的目标分类标识信息，其中，目标分类标识信息包括场景标识或属性标识，将变电设备图像输入到预先训练好的与目标分类标识信息对应的深度学习模型，根据深度学习模型的输出，得到变电设备图像的分类信息。

【技术实现步骤摘要】
变电设备图像分类方法、装置、计算机设备和介质
本申请涉及电力行业领域，特别是涉及一种变电设备图像分类方法、装置、计算机设备和存储介质。
技术介绍
随着人工智能技术的发展，深度学习技术的应用越来越广泛。在电力行业变电设备识别领域，基于深度学习进行变电设备图像识别，应用也日益普遍，为了了解变电设备的当前状态，通常需要对复杂场景下的变电设备进行识别。现有技术中，通常会针对变电设备不同场景或属性分别进行训练以得到训练模型，占用资源较多且处理效率低。
技术实现思路
基于此，有必要针对目前技术中存在的场景或属性模型处理效率低的技术问题，提供一种变电设备图像分类方法、装置、计算机设备和存储介质。一种变电设备图像分类方法，所述方法包括：获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。在其中一个实施例中，所述方法还包括：获取训练图片集；将所述训练图片划分为多个子训练图片集，使得每个子训练图片集中的训练图像对应相同场景或者相同属性；分别对所述多个子训练图片集进行预处理；将预处理后的所述多个子训练图片集输入到待训练的深度学习模型进行训练，得到训练后的所述场景或者属性对应的所述深度学习模型。在其中一个实施例中，所述分别对所述多个子训练图片集进行预处理，包括：建立与所述多个子训练图片集分别对应的多个管道；在所述多个管道内对各自对应的所述子训练图片集进行预处理。在其中一个实施例中，所述方法还包括：将预处理后的所述多个子训练图片集按照顺序叠加合成，获得张量形式的所述多个子训练图片集；将张量形式的所述多个子训练图片集输入到待训练的所述深度学习模型。在其中一个实施例中，所述深度学习模型包括多个分支；所述将预处理后的所述多个子训练图片集输入到待训练的深度学习模型进行训练，包括：获得所述多个分支各自对应的损失函数和损失函数比例系数；将所述多个分支的损失函数按照对应的所述损失函数比例系数加权，得到所述深度学习模型的损失值；根据所述损失值反向更新所述深度学习模型的权重，直到训练完成得到训练后的所述深度学习模型。在其中一个实施例中，所述获得所述多个分支各自对应的损失函数和损失函数比例系数，包括：将预处理后的所述多个子训练图片集输入到待训练的深度学习模型的基础网络；将所述基础网络输出的特征图输入到所述多个分支分别对应的多个全连接层；根据所述多个全连接层的输出，获得所述多个分支各自对应的损失函数。在其中一个实施例中，所述根据所述深度学习模型的输出，得到所述变电设备图像的分类信息，包括：若所述目标分类标识信息为所述场景标识，根据所述深度学习模型的输出、所述场景标识和所述场景标识对应的所述分支的置信度，确定所述变电设备图像在所述场景下的场景分类信息；或，若所述目标分类标识信息为所述属性标识，根据所述深度学习模型的输出，获得所述变电设备图像在所述多个分支的子属性类别；根据所述子属性类别，获得所述变电设备图像的属性分类信息。一种变电设备图像分类装置，所述装置包括：图像信息获取模块，用于获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；模型输入模块，用于将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；分类信息获取模块，用于根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。上述变电设备图像分类方法、装置、计算机设备和存储介质，通过获取待分类的变电设备图像，以及变电设备图像对应的目标分类标识信息，其中，目标分类标识信息包括场景标识或属性标识，将变电设备图像输入到预先训练好的与目标分类标识信息对应的深度学习模型，根据深度学习模型的输出，得到变电设备图像的分类信息；本方案中，在获取变电设备图像时，根据变电设备图像对应的目标分类标识信息，将图像输入到场景标识对应的深度学习模型进行场景分类，或输入到属性标识对应的深度学习模型进行属性分类，无需将变电设备图像输入到的单个场景或属性对应的训练模型，提高了获取变电设备分类信息的效率。附图说明图1为一个实施例中变电设备图像分类方法的应用环境图；图2为一个实施例中变电设备图像分类方法的流程示意图；图3为一个实施例中变电设备的场景示意图；图4为一个实施例中变电设备的场景示意图；图5为一个实施例中变电设备的场景示意图；图6为一个实施例中变电设备图像分类方法的流程示意图；图7为一个实施例中变电设备图像分类方法的流程示意图；图8为一个实施例中变电设备图像分类方法的流程示意图；图9为一个实施例中变电设备图像分类装置的结构框图；图10为一个实施例中计算机设备的内部结构图。具体实施方本文档来自技高网...

【技术保护点】
1.一种变电设备图像分类方法，其特征在于，所述方法包括：/n获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；/n将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；/n根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。/n

【技术特征摘要】
1.一种变电设备图像分类方法，其特征在于，所述方法包括：
获取待分类的变电设备图像，以及所述变电设备图像对应的目标分类标识信息；所述目标分类标识信息包括场景标识或者属性标识；所述场景标识表征所述变电设备图像为所在场景的设备类别待定的图像；所述属性标识表征所述变电设备图像为设备属性待定的图像；
将所述变电设备图像输入到预先训练好的与所述目标分类标识信息对应的深度学习模型；所述深度学习模型用于按照所述目标分类标识信息对输入的变电设备图像按照场景或者属性进行分类；
根据所述深度学习模型的输出，得到所述变电设备图像的分类信息。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练图片集；
根据所述深度学习模型的输出，得到所述变电设备图像的分类信息；
分别对所述多个子训练图片集进行预处理；
将预处理后的所述多个子训练图片集输入到待训练的深度学习模型进行训练，得到训练后的所述场景或者属性对应的所述深度学习模型。


3.根据权利要求2所述的方法，其特征在于，所述分别对所述多个子训练图片集进行预处理，包括：
建立与所述多个子训练图片集分别对应的多个管道；
在所述多个管道内对各自对应的所述子训练图片集进行预处理。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将预处理后的所述多个子训练图片集按照顺序叠加合成，获得张量形式的所述多个子训练图片集；
将张量形式的所述多个子训练图片集输入到待训练的所述深度学习模型。


5.根据权利要求2所述的方法，其特征在于，所述深度学习模型包括多个分支；所述将预处理后的所述多个子训练图片集输入到待训练的深度学习模型进行训练，包括：
获得所述多个分支各自对应的损失函数和损失函数比例系数；
将所述多个分支的损失函数按照对应的所述损失函数比例系数加权，得到所述深度学习模型的损失值；根据所述损失值反向更新所述深度学习模型的权重，直到训练完成得到训练后的所述深度学习模型。

<...

【专利技术属性】
技术研发人员：黄文琦，李鹏，赵继光，钟连宏，喇元，曾群生，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：广东;44