本申请提供一种用于识别电杆受损图像的目标模型获取方法和装置，包括：获取目标电杆对应的受损图像训练样本；将受损图像训练样本输入初始模型中，利用主干卷积网络提取图像特征，基于多种不同扩张率的空洞卷积进行池化处理，将上一层空洞卷积提取出的图像特征与输入下一层空洞卷积的图像特征进行融合，并将融合后的图像特征作为下一层空洞卷积的输入，得到多尺度感受野的目标图像特征；对目标图像特征进行第一预设方案的信息处理，得到第一特征图；对除了目标图像特征之外的其他图像特征进行第二预设方案的信息处理，得到第二特征图；将第一特征图和第二特征图进行融合，将融合后的特征图输入初始模型的分类层，根据分类层得到目标模型。到目标模型。到目标模型。
【技术实现步骤摘要】
电杆受损图像的识别方法和装置、电子设备和存储介质
[0001]本申请涉及计算机
，尤其涉及用于识别电杆受损图像的目标模型获取方法和装置。
技术介绍
[0002]当前配电网分布广泛、结构复杂、运行环境多变，大部分地区配电网仍存在基础薄弱、建设落后的问题，电网设备容易受到各种自然灾害极端事件的影响，发生倒杆断线等事故。
[0003]目前，以人工巡检、直升机无人机巡检、传统监控设备等为主的线路巡检或监测均需要人工判断现场电杆损毁情况，存在成本高、效率低、受人为主观因素影响大等问题，无法满足灾后应急处置、资源调配对灾损信息获取速度和准确度的要求，图像识别技术的出现能够解决这些问题。然而图像识别在配电网灾损分析的实际应用并不广泛，其原因在于配电线路通道所处自然环境复杂，光照变化频繁，灾害场景下风、雨、雾、雪等恶劣天气会导致图像的分辨率和亮度等大幅降低；对同一配电网电杆的拍摄视角因拍摄方式、拍摄人员不同而变化，造成算法所提取到的图像特征不稳定；灾后现场情况复杂、拍摄角度不佳或无人机摄像头安装位置不当等会造成图片中电杆倒塌后互相倾轧、树木或建筑物遮挡，相邻电杆之间在某些角度获得的图像也可能相互遮挡从而影响特征提取。
[0004]近年来，深度学习神经网络技术在图像识别领域取得了重大突破，采用一种端到端的方式自动学习复杂特征，在突破了特征提取、结构优化、模型训练等关键技术后，所提取特征质量远远超过传统人工特征，识别能力更强，辨识效果更好。但是现有的基于卷积神经网络的图像识别大多针对输电网线路电杆或零部件的日常巡检故障，由于灾后配网架空线路电杆事故场景与主网日常巡检场景的目标物、背景干扰等特征差距较大，因此现有的卷积神经网络图像识别方法并不适用于自然灾害场景下配网电杆损坏的识别。
技术实现思路
[0005]本申请提供了一种用于识别电杆受损图像的目标模型获取方法和装置，以至少解决相关技术中存在现有的卷积神经网络图像识别方法并不适用于自然灾害场景下配网电杆损坏的识别的问题。
[0006]根据本申请实施例的一个方面，提供了一种用于识别电杆受损图像的目标模型获取方法，该方法包括：
[0007]获取目标电杆对应的受损图像训练样本；
[0008]将所述受损图像训练样本输入初始模型中，利用所述主干卷积网络提取图像特征，基于多种不同扩张率的空洞卷积进行池化处理，将上一层空洞卷积提取出的图像特征与输入下一层空洞卷积的图像特征进行融合，并将融合后的图像特征作为下一层空洞卷积的输入，得到多尺度感受野的目标图像特征；
[0009]对所述目标图像特征进行第一预设方案的信息处理，得到第一特征图；
[0010]获取由所述主干卷积网络提取出的除了所述目标图像特征之外的其他图像特征，并对所述其他图像特征进行第二预设方案的信息处理，得到第二特征图；
[0011]将所述第一特征图和所述第二特征图进行融合，并将融合后的特征图输入所述初始模型的分类层，根据所述分类层的输出结果得到目标模型。
[0012]根据本申请实施例的另一个方面，还提供了一种用于识别电杆受损图像的目标模型获取装置，该装置包括：
[0013]第一获取模块，用于获取目标电杆对应的受损图像训练样本；
[0014]第一得到模块，用于将所述受损图像训练样本输入初始模型中，利用所述主干卷积网络提取图像特征，基于多种不同扩张率的空洞卷积进行池化处理，将上一层空洞卷积提取出的图像特征与输入下一层空洞卷积的图像特征进行融合，并将融合后的图像特征作为下一层空洞卷积的输入，得到多尺度感受野的目标图像特征；
[0015]第二得到模块，用于对所述目标图像特征进行第一预设方案的信息处理，得到第一特征图；
[0016]第三得到模块，用于获取由所述主干卷积网络提取出的除了所述目标图像特征之外的其他图像特征，并对所述其他图像特征进行第二预设方案的信息处理，得到第二特征图；
[0017]融合模块，用于将所述第一特征图和所述第二特征图进行融合，并将融合后的特征图输入所述初始模型的分类层，根据所述分类层的输出结果得到目标模型。
[0018]可选地，第二得到模块包括：
[0019]第一降维单元，用于对所述目标图像特征进行卷积降维，得到深层特征，其中，所述深层特征对应的特征部分为高级语义信息；
[0020]上采样单元，用于对所述深层特征进行上采样处理，得到所述第一特征图。
[0021]可选地，第三得到模块包括：
[0022]获取单元，用于获取由所述主干卷积网络提取出的除了所述目标图像特征之外的浅层特征，其中，所述浅层特征对应的特征部分为低级语义信息；
[0023]第二降维单元，用于对所述浅层特征进行卷积降维，得到所述第二特征图。
[0024]可选地，融合模块包括：
[0025]融合单元，用于对所述第一特征图和所述第二特征图进行融合，并将融合后的特征图进行卷积降维和上采样，得到与所述受损图像训练样本的空间分辨率一致的目标特征图；
[0026]得到单元，用于将所述目标特征图输入所述分类层，结合所述目标电杆区域预设的损失权重系数以及背景区域预设的损失权重系数，输出所述受损图像训练样本属于每个分类类别的概率值，并根据所述概率值调整所述初始模型的模型参数，得到所述目标模型。
[0027]可选地，得到单元包括：
[0028]获取子模块，用于获取预设阈值，其中，所述预设阈值为判定所述受损图像训练样本属于目标类别的最小值；
[0029]得到子模块，用于根据所述概率值和预设阈值的比较结果调整所述初始模型的模型参数，直到所述概率值对应的分类结果与所述受损图像训练样本携带的所述目标类别的标签信息相一致，则停止调整所述模型参数，得到所述目标模型。
[0030]可选地，该装置还包括：
[0031]去噪模块，用于在所述将所述受损图像训练样本输入初始模型中之前，对所述受损图像训练样本进行中值滤波去噪，得到去噪后的受损图像训练样本；
[0032]图像增强模块，用于对所述去噪后的受损图像训练样本利用直方图进行图像灰度变换，得到图像增强后的受损图像训练样本。
[0033]可选地，该装置还包括：
[0034]第二获取模块，用于获取待识别的受损图像信息；
[0035]输出模块，用于将所述受损图像信息输入所述目标模型中，输出所述受损图像信息的识别结果。
[0036]根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
[0037]根据本申请实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
[0038]在本申请实施本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于识别电杆受损图像的目标模型获取方法，其特征在于，所述方法包括：获取目标电杆对应的受损图像训练样本；将所述受损图像训练样本输入初始模型中，利用所述主干卷积网络提取图像特征，基于多种不同扩张率的空洞卷积进行池化处理，将上一层空洞卷积提取出的图像特征与输入下一层空洞卷积的图像特征进行融合，并将融合后的图像特征作为下一层空洞卷积的输入，得到多尺度感受野的目标图像特征；对所述目标图像特征进行第一预设方案的信息处理，得到第一特征图；获取由所述主干卷积网络提取出的除了所述目标图像特征之外的其他图像特征，并对所述其他图像特征进行第二预设方案的信息处理，得到第二特征图；将所述第一特征图和所述第二特征图进行融合，并将融合后的特征图输入所述初始模型的分类层，根据所述分类层的输出结果得到目标模型。2.根据权利要求1所述的方法，其特征在于，所述对所述目标图像特征进行第一预设方案的信息处理，得到第一特征图，包括：对所述目标图像特征进行卷积降维，得到深层特征，其中，所述深层特征对应的特征部分为高级语义信息；对所述深层特征进行上采样处理，得到所述第一特征图。3.根据权利要求1所述的方法，其特征在于，所述获取由所述主干卷积网络提取出的除了所述目标图像特征之外的其他图像特征，并对所述其他图像特征进行第二预设方案的信息处理，得到第二特征图，包括：获取由所述主干卷积网络提取出的除了所述目标图像特征之外的浅层特征，其中，所述浅层特征对应的特征部分为低级语义信息；对所述浅层特征进行卷积降维，得到所述第二特征图。4.根据权利要求1所述的方法，其特征在于，所述将所述第一特征图和所述第二特征图进行融合，并将融合后的特征图输入所述初始模型的分类层，根据所述分类层的输出结果得到目标模型，包括：对所述第一特征图和所述第二特征图进行融合，并将融合后的特征图进行卷积降维和上采样，得到与所述受损图像训练样本的空间分辨率一致的目标特征图；将所述目标特征图输入所述分类层，结合所述目标电杆区域预设的损失权重系数以及背景区域预设的损失权重系数，输出所述受损图像训练样本属于每个分类类别的概率值，并根据所述概率值调整所述初始模型的模型参数，得到所述目标模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述概率值调整所述初始模型的模型参数，得到所述目标模型，包括：获...
【专利技术属性】
技术研发人员：米昕禾，于振，冯杰，徐希源，房殿阁，郭雨松，刘泽宇，唐诗洋，严屹然，张泽浩，
申请(专利权)人：国网智能电网研究院有限公司，
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。