一种适用于电力场景的语义分析方法及系统技术方案

本发明专利技术属于计算机视觉技术领域，提供了一种应用于电力场景的语义分析方法及系统。其中，应用于电力场景的语义分析方法包括获取待测电力场景图像；预处理待测电力场景图像；将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

【技术实现步骤摘要】
一种适用于电力场景的语义分析方法及系统
本专利技术属于计算机视觉
，尤其涉及一种应用于电力场景的语义分析方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。图像语义分析技术是对图像中的内容进行视觉层、对象层、概念层的理解，从“像素-区域-目标-场景”多层次内容，让计算机理解图像中的颜色、纹理、形状等底层语义特征以及图像含义等高层语义特征，通过语义信息完成图像的分类、分割、识别等工作。传统图像语义分析通过手工提取图像特征点，然后利用支持向量机完成图像分类等，卷积神经网络通过各层网络自动完成特征学习与提取，利用网络分类器完成图像分类、识别等。目前在电力领域，常用的图像语义分析技术为图像检测，由于应用场景的特殊性，专利技术人发现，传统语义分析方法易受图像噪声影响导致特征点分布不均，导致分类出错；卷积神经网络方法受限于目标尺度较小和拍摄角度，导致误检率较高，影响实用化。
技术实现思路
为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种应用于电力场景的本文档来自技高网...

【技术保护点】
1.一种应用于电力场景的语义分析方法，其特征在于，包括：/n获取待测电力场景图像；/n预处理待测电力场景图像；/n将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；/n其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。/n

【技术特征摘要】
1.一种应用于电力场景的语义分析方法，其特征在于，包括：
获取待测电力场景图像；
预处理待测电力场景图像；
将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；
其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。


2.如权利要求1所述的应用于电力场景的语义分析方法，其特征在于，预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。


3.如权利要求2所述的应用于电力场景的语义分析方法，其特征在于，利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。


4.如权利要求1所述的应用于电力场景的语义分析方法，其特征在于，索引表基于设定训练样本集而建立的。


5.如权利要求4所述的应用于电力场景的语义分析方法，其特征在于，在建立索引表的过程中，将全卷积网络中多个卷积层对训练样本提取的特征进行融合，统一多层卷积层的尺度，将融合后特征作为输出层用于最终的语义预测。


6.如权利要求5所述的应用于电力场景的语义分析方法，其特征在于，通过插值方式将多层卷积层的尺度达到相同尺度。


7.如权利要求1所述的应用于电力场景的语义分析方法，其特征在于，在建立索引表之前，还包括初始化全卷积网络的参数。


8.一种应用于电力场景的语义分析系统，其特征在于，包括：
图像获取模块，其用于获取待测电力场景图像；
预处理模块，其用于预处理待测电力场景图像；
语义预测模块，其用于将预处理后的...

【专利技术属性】
技术研发人员：王琦，王万国，王振利，李建祥，周大洲，王克南，许乃媛，王勇，徐康，邵志敏，郭锐，王海鹏，张旭，李振宇，刘海波，张海龙，
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