红外图像中绝缘子的识别方法、装置及可读存储介质制造方法及图纸

本发明专利技术涉及图像识别处理技术领域，具体涉及一种红外图像中绝缘子的识别方法、装置及可读存储介质，所述方法包括：获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域；本发明专利技术还相应的提供了红外图像中绝缘子的识别装置及可读存储介质，本发明专利技术能够提高对红外图像中绝缘子识别的准确率和识别效率。红外图像中绝缘子识别的准确率和识别效率。红外图像中绝缘子识别的准确率和识别效率。

【技术实现步骤摘要】
红外图像中绝缘子的识别方法、装置及可读存储介质


[0001]本专利技术涉及图像识别处理
，具体涉及一种红外图像中绝缘子的识别方法、装置及可读存储介质。

技术介绍

[0002]绝缘子是架空输电线路中应用数量巨大的重要组成设备，传统的人工检测难以对大量绝缘子红外图像准确多目标识别，现有的智能识别算法识别速度和准确率难以满足现场应用需求。
[0003]因此如何对现有的智能识别算法进行改进，提高对红外图像中绝缘子识别的准确率和识别效率，成为亟待解决的问题。

技术实现思路

[0004]本专利技术目的在于提供一种红外图像中绝缘子的识别方法、装置及可读存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]为了实现上述目的，本专利技术提供以下技术方案：
[0006]一种红外图像中绝缘子的识别方法，所述方法包括以下步骤：
[0007]步骤S100、获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；
[0008]步骤S200、构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；
[0009]步骤S300、接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域。
[0010]进一步，所述步骤S100包括：
[0011]步骤S110、获取变电站的红外图像，所述红外图像包含有绝缘子；
[0012]步骤S120、将红外图像的像素进行统一，并对统一像素后的红外图像进行灰度化处理，转换成灰度直方图；
[0013]步骤S130、对灰度直方图进行均衡化处理，得到最终的样本图像；
[0014]步骤S140、使用积分图方法确定样本图像的特征值，根据各个样本图像的特征值构建样本图像数据集。
[0015]进一步，所述步骤S200包括：
[0016]步骤S210、确定弱分类器；所述弱分类器采用级联Gentle Adaboost分类器；
[0017]步骤S220、确定弱分类器中各级分类器的最小分类误差率，并根据每级级分类器的分类误差率寻找该弱分类器的最小化阈值因子；
[0018]步骤S230、从所有弱分类器的最小分类误差率中找到最小分类误差率，根据最小的分类误差对输入弱分类器进行训练的样本图像的权值进行更新，输出强分类器；
[0019]步骤S240、设定每一级强分类器的最小击中率和最大虚警率，对级联的强分类器进行训练，当每一级强分类器的击中率达到最小击中率、且虚警率低于最大虚警率时，得到改进的级联分类器模型。
[0020]进一步，所述弱分类器用下式定义：
[0021][0022]式中：f(x
i
)为样本图像中待检测区域x
i
的特征计算函数；θ为弱分类器设定的最小化阈值因子；分类值α1和α2的绝对值在[0,1]之间，分类值α1和α2的绝对值大小与弱分类器的可信度成正比。
[0023]进一步，所述步骤S220包括：
[0024]步骤S221、令j＝1,2,3,...,p，其中p为特征总数；
[0025]步骤S222、计算样本图像数据集中所有绝缘子样本的权重之和T
+
及所有非绝缘子样本的权重之和T
‑
；
[0026]步骤S223、计算样本i前所有正样本图像的权重之和以及所有负样本图像的权重之和其中i为正样本图像对应的样本序号；j为负样本图像对应的特征序号；
[0027]步骤S224、根据以下公式计算得到最小分类误差率，同时记录该弱分类器对应的最小化阈值因子θ；
[0028][0029]进一步，所述步骤S230包括：
[0030]步骤S231、将N个样本图像标记为(x1,y1)，
…
，(x
n
,y
n
)，其中y
i
∈{－1,1}，y
i
＝1，表示为绝缘体样本；y
i
＝－1，表示非绝缘体样本。
[0031]步骤S232、使用以下公式初始化样本权重；
[0032]w
i
＝1/N,i＝1,...,N；
[0033]步骤S233、令J＝1,2,3...,J，其中J表示总迭代次数；
[0034]调用弱分类器训练算法，从所有弱分类器中找到分类误差最小的弱分类器h
j
(x
i
)对应的最小化阈值因子θ，用以下公式表示弱分类器h
j
(x
i
)的分类误差；
[0035][0036]式中ε
j
为第j次迭代的最小分类误差；k为常数，0<k<1；
[0037]令
[0038]用以下公式计算该轮样本图像的平均权值；
[0039][0040]用以下公式计算权值标准差；
[0041][0042]使用以下公式更新样本图像的权重：
[0043][0044]式中：α
j
为中间变量；h
j
(x
i
)表示为第j次迭代对应的分类器；Z
i
为h
j
(x
i
)分类器的归一化因子；m为训练平均权值；
[0045]归一化因子Z
i
可以表示为：
[0046][0047]输出强分类器G(x)，其中：
[0048][0049]一种计算机可读存储介质，所述计算机可读存储介质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上述任一项所述的红外图像中绝缘子的识别方法的步骤。
[0050]一种红外图像中绝缘子的识别系统，所述系统包括：
[0051]至少一个处理器；
[0052]至少一个存储器，用于存储至少一个程序；
[0053]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的红外图像中绝缘子的识别方法。
[0054]本专利技术的有益效果是：本专利技术公开一种红外图像中绝缘子的识别方法、装置及可读存储介质，本专利技术提出改进的Gentel Adaboost算法，使用改进的权值更新规则，训练多目标识别强分类器，试验结果表明，本专利技术方法可以有效提高识别准确率与识别效率，对红外图像绝缘子多目标识别及准确定位。本专利技术通过改进分类器训练算法，提高分类器识别准确率，采用新的权值更新法则，有效提高分类器训练、识别效率。
附图说明
[0055]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外图像中绝缘子的识别方法，其特征在于，所述方法包括以下步骤：步骤S100、获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；步骤S200、构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；步骤S300、接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域。2.根据权利要求1所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S100包括：步骤S110、获取变电站的红外图像，所述红外图像包含有绝缘子；步骤S120、将红外图像的像素进行统一，并对统一像素后的红外图像进行灰度化处理，转换成灰度直方图；步骤S130、对灰度直方图进行均衡化处理，得到最终的样本图像；步骤S140、使用积分图方法确定样本图像的特征值，根据各个样本图像的特征值构建样本图像数据集。3.根据权利要求2所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S200包括：步骤S210、确定弱分类器；所述弱分类器采用级联Gentle Adaboost分类器；步骤S220、确定弱分类器中各级分类器的最小分类误差率，并根据每级级分类器的分类误差率寻找该弱分类器的最小化阈值因子；步骤S230、从所有弱分类器的最小分类误差率中找到最小分类误差率，根据最小的分类误差对输入弱分类器进行训练的样本图像的权值进行更新，输出强分类器；步骤S240、设定每一级强分类器的最小击中率和最大虚警率，对级联的强分类器进行训练，当每一级强分类器的击中率达到最小击中率、且虚警率低于最大虚警率时，得到改进的级联分类器模型。4.根据权利要求3所述的一种红外图像中绝缘子的识别方法，其特征在于，所述弱分类器用下式定义：式中：f(x
i
)为样本图像中待检测区域x
i
的特征计算函数；θ为弱分类器设定的最小化阈值因子；分类值α1和α2的绝对值在[0,1]之间，分类值α1和α2的绝对值大小与弱分类器的可信度成正比。5.根据权利要求4所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S220包括：步骤S221、令j＝1,2,3,...,p，其中p为特征总数；步骤S222、计算样本图像数据集中所有绝缘子样本的权重之和T
+
及所有非绝缘子样本的权重之和T
‑<...

【专利技术属性】
技术研发人员：伍伟权，文安，刘国特，周锦辉，周妙娴，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：