一种输电线路隐患识别方法及系统技术方案

本发明专利技术公开一种输电线路隐患识别方法及系统，方法包括：对N张隐患样本图像进行扩充处理，构建隐患训练数据集；隐患训练数据集包括M张隐患样本图像；M大于N；利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。本发明专利技术公开的方案对N张隐患样本图像进行扩充处理获得M张隐患样本图像，大幅度增加了样本数量，使得隐患识别在大样本条件下进行，提高了识别效率和识别的准确性，降低了误报率。误报率。误报率。

【技术实现步骤摘要】
一种输电线路隐患识别方法及系统


[0001]本专利技术涉及数据处理
，特别是涉及一种输电线路隐患识别方法及系统。

技术介绍

[0002]基于深度学习的边缘隐患识别模型需要大量的实际隐患图片数据用于训练，然而实际中隐患图片数量有限。当隐患识别算法在小样本条件下，容易出现识别准确率差和误报率高的问题。另外，如果不能提供足够的训练数据，会造成过拟合，训练出的模型实验中难以得到应用。

技术实现思路

[0003]本专利技术的目的是提供一种输电线路隐患识别方法及系统，以提高识别的准确率。
[0004]为实现上述目的，本专利技术提供了一种输电线路隐患识别方法，所述方法包括：
[0005]步骤S1：获取N张隐患样本图像；
[0006]步骤S2：对N张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像；M大于N；
[0007]步骤S3：利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；
[0008]步骤S4：利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
[0009]可选地，所述对N张隐患样本图像进行扩充处理，构建隐患训练数据集，具体包括：
[0010]步骤S21：将每个所述隐患样本图像进行旋转；
[0011]步骤S22：以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离；
[0012]步骤S23：将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像。
[0013]可选地，所述将每个所述隐患样本图像进行旋转，具体包括：
[0014]将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度。
[0015]可选地，所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度。
[0016]可选地，所述移动一定的距离包括：
[0017]向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动。
[0018]本专利技术还提供一种输电线路隐患识别系统，所述系统包括：
[0019]获取模块，用于获取N张隐患样本图像；
[0020]扩充模块，用于对N张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐
患训练数据集包括M张隐患样本图像；M大于N；
[0021]训练模块，用于利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；
[0022]识别模块，用于利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
[0023]可选地，所述扩充模块，具体包括：
[0024]旋转单元，用于将每个所述隐患样本图像进行旋转；
[0025]距离移动单元，用于以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离；
[0026]镜像处理单元，用于将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像。
[0027]可选地，所述旋转单元，具体包括：
[0028]将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度。
[0029]可选地，所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度。
[0030]可选地，所述移动一定的距离包括：
[0031]向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动。
[0032]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0033]本专利技术公开一种输电线路隐患识别方法及系统，方法包括：对N张隐患样本图像进行扩充处理，构建隐患训练数据集；隐患训练数据集包括M张隐患样本图像；M大于N；利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。本专利技术公开的方案对N张隐患样本图像进行扩充处理获得M张隐患样本图像，大幅度增加了样本数量，使得隐患识别在大样本条件下进行，提高了识别效率和识别的准确性，降低了误报率。
附图说明
[0034]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，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术输电线路隐患识别方法流程图；
[0036]图2为本专利技术输电线路隐患识别系统结构图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0038]本专利技术的目的是提供一种输电线路隐患识别方法及系统，以提高识别的准确率。
[0039]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0040]实施例1
[0041]如图1所示，本专利技术公开一种输电线路隐患识别方法，所述方法包括：
[0042]步骤S1：获取N张隐患样本图像。
[0043]步骤S2：对N张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像；M大于N。
[0044]步骤S3：利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型。
[0045]步骤S4：利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
[0046]下面对各个步骤进行详细论述：
[0047]步骤S1：获取N张隐患样本图像。本实施例中，N为100以内的数据。
[0048]步骤S2：对N张隐患样本图像进行扩充处理，构建隐患训练数据集，具体包括：
[0049]步骤S21：将每个所述隐患样本图像进行旋转。具体地，将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度；所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度，这样就能将图像数量扩充3倍；可以理解的，旋转的角度可以根据经验值设置，不限于上文所述的角度，旋转的角度数量不限于上述3个。
[0050]步骤S22：以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离。具体地，将旋转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路隐患识别方法，其特征在于，所述方法包括：步骤S1：获取N张隐患样本图像；步骤S2：对N张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像；M大于N；步骤S3：利用M张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；步骤S4：利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。2.根据权利要求1所述的输电线路隐患识别方法，其特征在于，所述对N张隐患样本图像进行扩充处理，构建隐患训练数据集，具体包括：步骤S21：将每个所述隐患样本图像进行旋转；步骤S22：以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离；步骤S23：将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括M张隐患样本图像。3.根据权利要求2所述的输电线路隐患识别方法，其特征在于，所述将每个所述隐患样本图像进行旋转，具体包括：将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度。4.根据权利要求3所述的输电线路隐患识别方法，其特征在于，所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度。5.根据权利要求2所述的输电线路隐患识别方法，其特征在于，所述移动一定的距离包括：向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动...

【专利技术属性】
技术研发人员：赵爽，高安洁，郑鹏超，高方玉，蔡光柱，张逸娲，赵建豪，于洪亮，王威，杨振，马俊朋，曹向勇，贺晓宇，尹磊，刘梦柳，王志兴，
申请(专利权)人：北京国网富达科技发展有限责任公司，
类型：发明
国别省市：