CN110148136A - 一种绝缘子图像分割方法、装置与计算机可读存储介质 - Google Patents
一种绝缘子图像分割方法、装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN110148136A CN110148136A CN201910283169.5A CN201910283169A CN110148136A CN 110148136 A CN110148136 A CN 110148136A CN 201910283169 A CN201910283169 A CN 201910283169A CN 110148136 A CN110148136 A CN 110148136A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- pixel
- segmentation
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 78
- 238000003709 image segmentation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种绝缘子图像分割方法，该方法包括：采集含有绝缘子的背景图像；将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；根据所述分割结果选取出绝缘子分割图像。该方法通过构建预设的图像分割模型，可以对复杂的图像背景进行像素级分割，精确定位目标物体边缘，排除复杂背景对目标物体的影响，使绝缘子的分割结果更加精确。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种绝缘子图像分割方法、装置与计算机可读存储介质。
背景技术
随着时代的发展，经济水平的提高，我国的用电总量与日俱增。绝缘子作为电力设备中的主要部件之一，起着支撑导线和防止电流回地的作用。由于其长期运行在室外环境中，受到电场、恶劣气候(粉尘、冰雪、雷电)以及自身重力等因素，导致其极易发生故障。因此，需要对绝缘子进行巡检和识别故障，随着智能化电网的发展，无人机逐渐代替人工进行绝缘子巡检。虽然无人机巡检比人工巡检具有一定的优势，但无人机拍摄到绝缘子图像通常包含较为复杂的背景，因此需要对绝缘子图像进行分割，从而为后续的绝缘子故障智能检测提供支撑。
目前绝缘子图像的分割一般依靠传统的方式如基于边缘检测的图像分割、基于阈值的分割和基于图论的分割方法进行图像分割，上述分割方法在背景比较简单的情况可以实现很好地分割效果，但对于具有复杂背景的图像，无法实现目标的准确分割。
发明内容
本发明的目的是提供一种绝缘子图像分割方法、装置与计算机可读存储介质，在复杂的图像背景下，能够有效地对绝缘子进行分割，使绝缘子的分割结果更加精确。
本发明实施例提供了一种绝缘子图像分割方法，包括：
采集含有绝缘子的背景图像；
将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；
根据所述分割结果选取出绝缘子分割图像。
优选地，所述预设的图像分割模型，通过以下步骤构建：
采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集；
构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图；其中，所述像素分类切割结果图包括每个像素点所对应的类别标签；
构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型。
优选地，所述采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集，具体包括：
对任一背景图像进行预处理，获取所述背景图像的扩增图像；
根据所述背景图像和所述扩增图像，得到所述图像样本集；
其中，所述预处理包括镜像处理、随机裁剪处理、旋转处理。
优选地，所述构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图，具体包括：
对所述图像样本集进行卷积池化处理，得到所述图像样本集中所有图像对应的卷积特征图；其中，所述卷积特征图包括第三次池化卷积特征图、第四次池化卷积特征图和第五次池化卷积特征图；
对所述第五次池化卷积特征图进行上采样一倍处理，得到第一采样处理图；
对所述第一采样处理图与所述第四次池化卷积特征图进行像素点与像素点的叠加处理，得到第一特征图；
对所述第一特征图进行上采样一倍处理，得到第二采样处理图；
对所述第二采样处理图和所述第三次池化卷积特征图进行像素点与像素点的叠加处理，得到第二特征图；
对所述第二特征图进行步长为8个像素、卷积核为1*1的卷积层处理，得到与所述图像样本集中图像一样大小的像素分类切割结果图。
优选地，所述构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型，具体包括：
构建图像中相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数；
根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图；
对所述能量函数进行求解，当所述能量函数满足预设条件时，停止所述迭代更新处理，得到所述图像分割模型。
优选地，所述构建所述图像样本集中图像相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数，具体包括：
根据公式获取每个像素点属于每个类别标签的概率值，并对所有的概率值进行归一化处理；
其中，为一元势函数，表示u像素点的颜色值为yu时，属于类别标签lu的概率；Z为归一化因子
根据公式获取相邻两像素属于同一类别标签的概率值；
其中，为二元势函数，u(yu，yk)是类别标签的兼容函数，i为高斯核数量，wn为每个高斯核对应的权重，为高斯核，fu和fk分别表示像素u和像素k具有的特征向量；
根据公式得到相邻像素之间的能量函数；
其中，δi表示像素i的邻域集合。
优选地，所述根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图，具体包括：
根据公式P(yk|X)＝[P(yk-1|X)+wp*r(yk-1|X)]/(1+wp)，对像素增加区域约束和修正像素分类切割结果图；
其中，P(yk|X)为第k次迭代的后验概率，且P(y0|X)由PFCN函数输出得到为第k-1次后验概率均值，wp用于控制区域约束的程度。
优选地，所述预设条件为小于0.0001。
本发明实施例还提供了一种绝缘子图像分割装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的绝缘子图像分割方法。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的绝缘子图像分割方法。
相对于现有技术，本发明实施例提供的一种绝缘子图像分割方法的有益效果在于：所述绝缘子图像分割方法，包括：采集含有绝缘子的背景图像；将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；根据所述分割结果选取出绝缘子分割图像。该方法通过构建预设的图像分割模型，可以对复杂的图像背景进行像素级分割，精确定位目标物体边缘，排除复杂背景对目标物体的影响，使绝缘子的分割结果更加精确。
附图说明
图1是本发明实施例提供的一种绝缘子图像分割方法的流程示意图；
图2是本发明实施例提供的一种含有绝缘子的背景图像；
图3是本发明实施例提供的一种经过绝缘子图像分割方法后的图像分割结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，其是本发明实施例提供的一种绝缘子图像分割方法的流程示意图，所述绝缘子图像分割方法，包括：
S100：采集含有绝缘子的背景图像；
S200：将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；
S300：根据所述分割结果选取出绝缘子分割图像。
为了更精确地将绝缘子从复杂的背景图像分割出来，需要提前训练好一个图像分割模型，从而将输入的背景图像进行分割处理，获取目标物体，包括绝缘子、人物等等。
在一种可选的实施例中，所述预设的图像分割模型，通过以下步骤构建：
采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集；
构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图；其中，所述像素分类切割结果图包括每个像素点所对应的类别标签；
构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型。
在本实施例中，所述图像分割模型主要是利用深度学习方法，通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而实现图像像素分类分割的准确性。
在一种可选的实施例中，所述采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集，具体包括：
对任一背景图像进行预处理，获取所述背景图像的扩增图像；
根据所述背景图像和所述扩增图像，得到所述图像样本集；
其中，所述预处理包括镜像处理、随机裁剪处理、旋转处理。
在本实施例中，由于航拍人员技术、航拍角度及天气环境因素的存在，通过无人机航拍的可用的含有绝缘子的背景图像比较欠缺，为了避免后期训练模型出现过拟合的现象，通过对背景图像进行镜像处理，随机剪裁处理以及以10度为间隔对背景图像进行旋转的操作方式对获取的背景图像进行扩增，从而获取多张背景图像，增加训练样本的数据；其中，可以随机裁剪背景图像的左上角、右上角、左下角、右下角或者中间部分等等。
在一种可选的实施例中，所述构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图，具体包括：
对所述图像样本集进行卷积池化处理，得到所述图像样本集中所有图像对应的卷积特征图；其中，所述卷积特征图包括第三次池化卷积特征图、第四次池化卷积特征图和第五次池化卷积特征图；
对所述第五次池化卷积特征图进行上采样一倍处理，得到第一采样处理图；
对所述第一采样处理图与所述第四次池化卷积特征图进行像素点与像素点的叠加处理，得到第一特征图；
对所述第一特征图进行上采样一倍处理，得到第二采样处理图；
对所述第二采样处理图和所述第三次池化卷积特征图进行像素点与像素点的叠加处理，得到第二特征图；
对所述第二特征图进行步长为8个像素、卷积核为1*1的卷积层处理，得到与所述图像样本集中图像一样大小的像素分类切割结果图。
在本实施例中，一般密集全卷积网络的构建都是将密集卷积网络最后的几层全连接层用卷积层替代，因此密集全卷积网络一般包括几层卷积层和池化层；其中池化层也称下采样层，图像经过一层池化层处理，图像就会缩小1/2，而卷积层主要是获取图像的高维特征，因此需要将获取的特征图还原到与原图的大小一样。
在一种可选的实施例中，所述构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型，具体包括：
构建图像中相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数；
根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图；
对所述能量函数进行求解，当所述能量函数满足预设条件时，停止所述迭代更新处理，得到所述图像分割模型。
在本实施例中，将一次全连接条件随机场看做一次卷积神经网络，一次全连接条件随机场的迭代推理即一次循环神经网络过程，对于每个像素u，全连接条件随机场的第一次迭代的初始信息此后，上个全连接条件随机场的结果就是下个全连接条件随机场的输入，循环往复构成循环全连接条件随机场。
在一种可选的实施例中，所述构建所述图像样本集中图像相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数，具体包括：
根据公式获取每个像素点属于每个类别标签的概率值，并对所有的概率值进行归一化处理；
其中，为一元势函数，表示u像素点的颜色值为yu时，属于类别标签lu的概率；Z为归一化常数；
根据公式获取相邻两像素属于同一类别标签的概率值；
其中，为二元势函数，u(yu，yk)是类别标签的兼容函数，i为高斯核数量，wn为每个高斯核对应的权重，为高斯核，fu和fk分别表示像素u和像素k具有的特征向量；
根据公式得到相邻像素之间的能量函数；
其中，δi表示像素i的邻域集合。
在本实施例中，像素的特征向量包括像素的五维信息，具体为像素的坐标值和RGB通道的颜色值；其中，δi主要是通过Meanshift算法对图像样本集中图像进行分割得到；∧m表示一个正定矩阵。
在一种可选的实施例中，所述根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图，具体包括：
根据公式P(yk|X)＝[P(yk-1|X)+wp*r(yk-1|X)]/(1+wp)，对像素增加区域约束和修正像素分类切割结果图；
其中，P(yk|X)为第k次迭代的后验概率，且P(y0|X)由PFCN函数输出得到为第k-1次后验概率均值，wp用于控制区域约束的程度。
在本实施例中，迭代的每次的概率均包含前一次迭代的类别概率计算结果。
在一种可选的实施例中，所述预设条件为小于0.0001。
在本实施例中，在对能量函数进行求解时，一般通过相对熵(KL距离)来衡量两像素的概率分布差异，通过最小化KL距离，实现近似分布Q(Y)代替精确分布P(Y)以获得像素集的最有可能的类别标签，通过将近似分布Q(Y)可拆分成一系列相互独立的有效子分布(Y1，Y2...Yj)，其中
，
在更新时Qi(Yj)＝[Qi(Yj)+wp*ri(Yj)]/(1+wp)，其中为了使KL距离最小化，等价于能量函数的最小，故当能量函数小于0.0001时，停止所述迭代更新处理，得到最优的图像分割模型。
请参阅图2和图3，分别为本发明实施例提供的一种含有绝缘子的背景图像和本发明实施例提供的一种经过绝缘子图像分割方法后的图像分割结果图，通过图像对比可以看出，本发明所提供的方法分割得到的绝缘子图像偏差较小，分割效果精确。
本发明实施例还提供了一种绝缘子图像分割装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的绝缘子图像分割方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述绝缘子图像分割装置中的执行过程。
所述绝缘子图像分割装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述绝缘子图像分割装置可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述绝缘子图像分割装置的控制中心，利用各种接口和线路连接整个绝缘子图像分割装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述绝缘子图像分割装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述绝缘子图像分割装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的绝缘子图像分割方法。
相对于现有技术，本发明实施例提供的一种绝缘子图像分割方法的有益效果在于：所述绝缘子图像分割方法，包括：采集含有绝缘子的背景图像；将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；根据所述分割结果选取出绝缘子分割图像。该方法通过构建预设的图像分割模型，可以对复杂的图像背景进行像素级分割，精确定位目标物体边缘，排除复杂背景对目标物体的影响，使绝缘子的分割结果更加精确。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种绝缘子图像分割方法，其特征在于，包括：
采集含有绝缘子的背景图像；
将所述背景图像发送至预设的图像分割模型进行图像分割，得到所述背景图像的分割结果；
根据所述分割结果选取出绝缘子分割图像。
2.如权利要求1所述的绝缘子图像分割方法，其特征在于，所述预设的图像分割模型，通过以下步骤构建：
采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集；
构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图；其中，所述像素分类切割结果图包括每个像素点所对应的类别标签；
构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型。
3.如权利要求2所述的绝缘子图像分割方法，其特征在于，所述采集多张含有绝缘子的背景图像，并对所述多张含有绝缘子的背景图像进行预处理，得到图像样本集，具体包括：
对任一背景图像进行预处理，获取所述背景图像的扩增图像；
根据所述背景图像和所述扩增图像，得到所述图像样本集；
其中，所述预处理包括镜像处理、随机裁剪处理、旋转处理。
4.如权利要求3所述的绝缘子图像分割方法，其特征在于，所述构建密集全卷积网络，并通过所述密集全卷积网络对所述图像样本集进行像素分类切割处理，得到像素分类切割结果图，具体包括：
对所述图像样本集进行卷积池化处理，得到所述图像样本集中所有图像对应的卷积特征图；其中，所述卷积特征图包括第三次池化卷积特征图、第四次池化卷积特征图和第五次池化卷积特征图；
对所述第五次池化卷积特征图进行上采样一倍处理，得到第一采样处理图；
对所述第一采样处理图与所述第四次池化卷积特征图进行像素点与像素点的叠加处理，得到第一特征图；
对所述第一特征图进行上采样一倍处理，得到第二采样处理图；
对所述第二采样处理图和所述第三次池化卷积特征图进行像素点与像素点的叠加处理，得到第二特征图；
对所述第二特征图进行步长为8个像素、卷积核为1*1的卷积层处理，得到与所述图像样本集中图像一样大小的像素分类切割结果图。
5.如权利要求4所述的绝缘子图像分割方法，其特征在于，所述构建循环全连接条件随机场，并通过所述循环全连接条件随机场对所述像素分类切割结果图不断进行修正处理，得到最优的图像分割模型，具体包括：
构建图像中相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数；
根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图；
对所述能量函数进行求解，当所述能量函数满足预设条件时，停止所述迭代更新处理，得到所述图像分割模型。
6.如权利要求5所述的绝缘子图像分割方法，其特征在于，所述构建所述图像样本集中图像相邻像素之间的能量函数；其中，所述能量函数包括一元势函数和二元势函数，具体包括：
根据公式获取每个像素点属于每个类别标签的概率值，并对所有的概率值进行归一化处理；
其中，为一元势函数，表示u像素点的颜色值为yu时，属于类别标签lu的概率；Z为归一化因子
根据公式获取相邻两像素属于同一类别标签的概率值；
其中，为二元势函数，u(yu，yk)是类别标签的兼容函数，i为高斯核数量，wn为每个高斯核对应的权重，为高斯核，fu和fk分别表示像素u和像素k具有的特征向量；
根据公式得到相邻像素之间的能量函数；
其中，δi表示像素i的邻域集合。
7.如权利要求6所述的绝缘子图像分割方法，其特征在于，所述根据所述循环全连接条件随机场对所述像素分类切割结果图中每个像素点对应的类别标签进行若干次迭代更新处理，修正所述像素分类切割结果图，具体包括：
根据公式P(yk|X)＝[P(yk-1|X)+wp*r(yk-1|X)]/(1+wp)，对像素增加区域约束和修正像素分类切割结果图；
其中，P(yk|X)为第k次迭代的后验概率，且P(y0|X)由PFCN函数输出得到，为第k-1次后验概率均值，wp用于控制区域约束的程度。
8.如权利要求7所述的绝缘子图像分割方法，其特征在于，所述预设条件为小于0.0001。
9.一种绝缘子图像分割，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的绝缘子图像分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的绝缘子图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910283169.5A CN110148136A (zh) | 2019-04-10 | 2019-04-10 | 一种绝缘子图像分割方法、装置与计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910283169.5A CN110148136A (zh) | 2019-04-10 | 2019-04-10 | 一种绝缘子图像分割方法、装置与计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110148136A true CN110148136A (zh) | 2019-08-20 |
Family
ID=67588710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910283169.5A Pending CN110148136A (zh) | 2019-04-10 | 2019-04-10 | 一种绝缘子图像分割方法、装置与计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148136A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN110705053A (zh) * | 2019-09-17 | 2020-01-17 | 南方电网科学研究院有限责任公司 | 空气绝缘恢复特性的分析方法、装置、设备及介质 |
| CN110827270A (zh) * | 2019-11-12 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 复合绝缘子缺陷诊断方法及系统 |
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
| CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
| CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
| CN109285162A (zh) * | 2018-08-30 | 2019-01-29 | 杭州电子科技大学 | 一种基于局部区域条件随机场模型的图像语义分割方法 |
-
2019
- 2019-04-10 CN CN201910283169.5A patent/CN110148136A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
| CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
| CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
| CN109285162A (zh) * | 2018-08-30 | 2019-01-29 | 杭州电子科技大学 | 一种基于局部区域条件随机场模型的图像语义分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| SIMON JEGOU ET AL.: ""The One Hundred Layers Tiramisu:Fully Convolutional DenseNets for Semantic Segmentation"", 《ARXIV:1611.09326V3》 * |
| 夏梦 等: ""结合深度学习与条件随机场的遥感图像分类"", 《中国图象图形学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705053A (zh) * | 2019-09-17 | 2020-01-17 | 南方电网科学研究院有限责任公司 | 空气绝缘恢复特性的分析方法、装置、设备及介质 |
| CN110689551A (zh) * | 2019-10-14 | 2020-01-14 | 慧影医疗科技（北京）有限公司 | 四肢骨分割方法、装置、电子设备及可读存储介质 |
| CN110827270A (zh) * | 2019-11-12 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 复合绝缘子缺陷诊断方法及系统 |
| CN110827270B (zh) * | 2019-11-12 | 2022-10-28 | 南方电网科学研究院有限责任公司 | 复合绝缘子缺陷诊断方法及系统 |
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
| CN111310761B (zh) * | 2020-03-06 | 2022-04-29 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pérez-Borrero et al. | A fast and accurate deep learning method for strawberry instance segmentation | |
| CN110163234B (zh) | 一种模型训练方法、装置和存储介质 | |
| CN110148136A (zh) | 一种绝缘子图像分割方法、装置与计算机可读存储介质 | |
| CN112116599B (zh) | 基于弱监督学习的痰涂片结核杆菌语义分割方法及系统 | |
| CN109492674B (zh) | 用于目标检测的ssd框架的生成方法及装置 | |
| CN105528595A (zh) | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 | |
| CN110069961B (zh) | 一种物体检测方法和装置 | |
| CN111126287A (zh) | 一种遥感影像密集目标深度学习检测方法 | |
| CN111931581A (zh) | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 | |
| CN111914599B (zh) | 一种基于语义信息多层特征融合的细粒度鸟类识别方法 | |
| CN111931572B (zh) | 一种遥感影像的目标检测方法 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| CN112257801A (zh) | 图像的增量聚类方法、装置、电子设备及存储介质 | |
| CN116030237A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
| CN116452810A (zh) | 一种多层次语义分割方法、装置、电子设备及存储介质 | |
| CN114998595A (zh) | 弱监督语义分割方法、语义分割方法及可读存储介质 | |
| CN112241736B (zh) | 一种文本检测的方法及装置 | |
| CN112364916A (zh) | 基于迁移学习的图像分类方法、相关设备及存储介质 | |
| CN116580063A (zh) | 目标追踪方法、装置、电子设备及存储介质 | |
| CN111126501A (zh) | 一种图像识别方法、终端设备及存储介质 | |
| CN116486151A (zh) | 图像分类模型训练方法、图像分类方法、设备及存储介质 | |
| CN113936133B (zh) | 一种面向目标检测的自适应数据增强方法 | |
| CN112766276B (zh) | 卷积神经网络模型的通道调整方法、装置和设备 | |
| CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和系统 | |
| CN114511862A (zh) | 表格识别方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |
|
| RJ01 | Rejection of invention patent application after publication |