【技术实现步骤摘要】
一种输电线路铁塔小部件图像识别方法及装置
[0001]本专利技术涉及空调智能控制
,具体涉及一种输电线路铁塔小部件图像识别方法以及应用于该方法的装置。
技术介绍
[0002]近年来,输电线路巡检人员少、人工巡检效率低和输电线路规模大、小部件数量多的矛盾日渐突出,传统的巡检方式已经无法满足电力行业发展和改革的需要,输电线路铁塔小部件巡检智能化越来越受到电力行业的重视。
[0003]目前大多数电力公司仅利用监测装置执行拍摄任务,而小部件缺陷判定部分仍由人工判断,远远不能满足当前的巡检需求,需要一种能够部署至监测装置的图像识别算法对输电线路铁塔小部件进行实时识别处理,但在对现有技术的研究和应用过程中发现,现有技术提出的各种图像识别算法存在模型参数量大且部署困难等问题,无法在实际巡检中得到应用。
技术实现思路
[0004]本专利技术提供一种输电线路铁塔小部件图像识别方法及装置,用以解决目前现有技术中存在的浪费人力资源、人工巡检效率低、算法模型部署困难、无法满足电力行业发展和改革的需要以及现有图像识别算法存在的各种问题。
[0005]第一方面,本专利技术提供的一种输电线路铁塔小部件图像识别方法,该方法包括:
[0006]获取预先对输电线路铁塔部件进行标注的图像信息,并构建图像数据集;
[0007]对图像数据集进行数据扩增和数据平衡,得到预处理后的图像数据集;
[0008]对预处理后的图像数据集进行聚类操作,输出预设定的锚框数量确定聚类的类别数量,获得预测的锚框尺寸; ...
【技术保护点】
【技术特征摘要】
1.一种输电线路铁塔小部件图像识别方法,其特征在于,包括:获取预先对输电线路铁塔部件进行标注的图像信息,并构建图像数据集;对图像数据集进行数据扩增和数据平衡,得到预处理后的图像数据集;对预处理后的图像数据集进行聚类操作,输出预设定的锚框数量确定聚类的类别数量,获得预测的锚框尺寸;搭建卷积神经网络,并利用预处理后的图像数据集对所述卷积神经网络进行训练后,获得用于识别输电线路铁塔部件的网络识别模型;基于所述网络识别模型对当前采集到的输电线路铁塔图像进行部件识别,并将识别有缺陷部件的图像数据传输回运检中心。2.根据权利要求1所述的方法,其特征在于,所述获取预先对输电线路铁塔部件进行标注的图像信息包括:对巡检采集到的输电线路全景图像进行裁剪,使其被裁剪为包含输电线路铁塔小部件的局部图像,其中,所述输电线路铁塔的小部件包括正常小部件和缺陷小部件;在局部图像中标注所述输电线路铁塔小部件的类别和位置生成标注框,并将每张局部图像的标注框信息保存在标注文件中。3.根据权利要求2所述的方法,其特征在于,所述对图像数据集进行数据扩增和数据平衡,包括:对图像数据集进行数据扩增:根据监测装置的实际拍摄情况采用数据扩增算法,生成对应的标注文件;对图像数据集进行数据平衡:统计数据扩增后的图像数据集中每类小部件的标注框个数,对标注框数量较少的小部件图像进行再扩充,对标注框数量较多的小部件图像进行适当删减,使得每类小部件的标注框个数保持一致,得到预处理后的图像数据集。4.根据权利要求1所述的方法,其特征在于:使用K
‑
means聚类算法对预处理后的图像数据集进行聚类操作,包括:根据卷积神经网络输出网络设定的锚框数量设置聚类的类别数量,随机初始化聚类中心点A={a1,a2,...,a
n
};针对预处理后的图像数据集的每个样本数据点x
i
,根据欧式距离公式计算每个聚类中心点与样本数据点之间的距离,将距离较近的样本数据划分到聚类中心点所在的类中;针对每个类别,判断是否满足迭代终止条件,若满足则输出聚类标签,若不满足则更新该类别的聚类中心点,表示为公式(1):其中,a
k
表示聚类簇A
k
中的聚类中心点,|A
k
|表示该类别中样本数据点的总个数;然后,不断更新聚类中心的值,直到聚类中心的位置不再发生变化或达到设置的迭代次数上线,从而获得预测的锚框尺寸。5.根据权利要求1所述的方法,其特征在于,所述搭建卷积神经网络,包括:输入网络,采用PCNet将输入图像通过一个特征通道为1的1
×
1卷积核减少后续卷积操作参数量,然后并行使用特征通道为1的3
×
3卷积核,特征通道为2的5
×
5卷积核,特征通道
为3的7...
【专利技术属性】
技术研发人员:张树琪,陈恩泽,季翠,张苹,
申请(专利权)人:珠海市金锐电力科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。