CN111881922A - 一种基于显著性特征的绝缘子图像识别方法及系统 - Google Patents
一种基于显著性特征的绝缘子图像识别方法及系统 Download PDFInfo
- Publication number
- CN111881922A CN111881922A CN202010737867.0A CN202010737867A CN111881922A CN 111881922 A CN111881922 A CN 111881922A CN 202010737867 A CN202010737867 A CN 202010737867A CN 111881922 A CN111881922 A CN 111881922A
- Authority
- CN
- China
- Prior art keywords
- insulator image
- insulator
- image recognition
- feature extraction
- recognition model
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 239000003086 colorant Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性特征的绝缘子图像识别方法及系统，一种基于显著性特征的绝缘子图像识别方法，包括：S1：对采集到的绝缘子图像进行特征提取操作得到所述绝缘子图像的显著性特征；S2：采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；S3：将新采集的绝缘子图像传输给所述绝缘子图像识别模型得到识别结果。通过神经网络学习得到了针对绝缘子的有效分类器，同时利用直方图对比度提取出绝缘子图像外观的显著性特征处理的加入，有效地减少原图中大量冗杂数据与信息，提高了后续利用神经网络学习建模的训练效果，拟合度得到较大提升，使得绝缘子的识别精度有相应的提高。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于显著性特征的绝缘子图像识别方法及系统。
背景技术
目前，绝缘子识别方法主要为传统的人工实地检测以及无人机航拍检测，人工检测技术识别精度高，但信息采集困难，效率低；而使用无人机进行输电线路的巡检，虽然信息采集方便，但仍需人工对采集图像进行检测，该技术虽然比传统的人工实地检测技术效率更高，但也会受到相关因素的影响，例如无人机在拍摄绝缘子时的光线影响和人工长时间的进行对航拍图像的检测容易出现漏检现象等。
机器视觉技术在检测方面具有非接触式测量、长时间测量等优势，将机器视觉技术应用到无人机航拍检测技术中的绝缘子外观检测，首先是利用无人机航拍采集图像，然后通过图像特征提取算法去除冗余信息的干扰，提取绝缘子图像特征，最后采用有效算法利用特征信息实现绝缘子的外观识别。利用无人机航拍技术与机器视觉技术相结合实现绝缘子外观识别，既可保证传统人工实地检测技术的高精度，还可在实现自动化实时检测。
BP神经网络是在模拟人脑神经组织的基础上发展起来的计算系统，具有很强的自学习能力、自适应能力与容错能力，能够满足工业应用的需要，而且有关网络的机理和算法的研究都很丰富，是众多网络中较为成熟、应用较为广泛的一种，也是复杂系统建模的优秀工具。利用BP神经网络算法将所提取的显著性特征建立绝缘子外观的数学模型，二者相结合很大程度的提高了识别的精度，模型可用于绝缘子图像外观检测。
发明内容
本发明所要解决的技术问题是现有绝缘子识别方法中人工实地检测和无人机航拍检测均存在对采集图像进行检测时会受到多种因素影响从而造成绝缘子外观识别无效的问题，目的在于提供一种基于显著性特征的绝缘子图像识别方法及系统，解决上述问题。
本发明通过下述技术方案实现：
一种基于显著性特征的绝缘子图像识别方法，包括：
S1：对采集到的绝缘子图像进行特征提取操作得到所述绝缘子图像的显著性特征；
S2：采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
S3：将新采集的绝缘子图像传输给所述绝缘子图像识别模型得到识别结果。
本发明针对电力系统中重要部件绝缘子的识别工作，提出一种基于显著性的图像识别方法，通过神经网络学习得到了针对绝缘子的有效分类器，同时利用直方图对比度提取出绝缘子图像外观的显著性特征处理的加入，有效地减少原图中大量冗杂数据与信息，提高了后续利用神经网络学习建模的训练效果，拟合度得到较大提升，使得绝缘子的识别精度有相应的提高。识别工作的实现，为后续绝缘子的相应检测工作奠定了较好的基础。
在特征提取步骤中，为提取图像的特征信息，本发明采用HC(Histogram basedContrast)即基于直方图的对比度的方法将被识别物体所在区域作为感兴趣的区域，通过计算该区域的像素色彩所具有显著性值得到显著性特征；主要的实现步骤包括：量化颜色通道----像素排序----找出高频、低频颜色----计算并分配显著值----获取显著性特征；而所述量化颜色通道，目的是为了找出图像中的颜色总数以及对应的像素总数，从而找出其频数。在提取特征后通过BP神经网络将提取的图像显著性特征用于建立识别模型；且训练之后所建立的数学模型可以通过回归曲线反映其建模的准确性。即数据的分散程度越集中，Fit曲线与Y＝T曲线的重合率越高，反应训练效果的R值越接近于1，其拟合度越高，建模的效果越好。
本发明主要首先使用原图样本进行神经网络训练，得到最终所建模型对应的回归曲线，在相同的参数条件下，对原图进行HC方法的显著性特征处理，再次训练得到最终的回归曲线。通过对比得到经过HC方法特征提取后的训练样本，较直接使用原图进行训练建模相比，其回归曲线接近于1，其拟合度较高，显著性的特征提取有效的减少了图像中其它冗杂信息的干扰，最终的训练建模效果更好。
进一步的，所述S1包括以下步骤：
S11：将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
S12：采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
进一步的，所述S12中计算得到显著性特征的具体步骤包括：
S121：读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
S122：根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
S123：将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
S124：找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
S125：计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
S126：对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
S127：将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
进一步的，所述S125中颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
进一步的，所述S2包括以下步骤：
S21：根据所述显著性特征确定所述绝缘子图像识别模型的网络结构；
S22：输入所述网络模型的输入层节点数、输出层节点数、绝缘子训练样本参数矩阵和目标参数矩阵；
S23：确定所述网络模型的隐含层数和所述隐含层包含的神经元数目；
S24：设置所述网络模型的传递函数、学习训练函数和误差算法；
S25：根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型；
S26：对所述绝缘子图像识别模型的网络参数、训练次数和学习速率进行设置；
S27：将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
一种基于显著性特征的绝缘子图像识别系统，包括：
预处理模块，对采集到的绝缘子图像进行特征提取操作；
模型训练模块，采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
识别模块，识别新采集的绝缘子图像得到识别结果。
进一步的，所述预处理模块包括：
将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
进一步的，所述计算得到显著性特征的具体步骤包括：
读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
进一步的，所述颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
进一步的，所述模型训练模块包括：
根据所述显著性特征确定所述绝缘子图像识别模型的网络结构，包括输入层、输出层的节点数、节点的转移函数、学习训练函数和误差函数类型；
根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型，对所述绝缘子图像识别模型的网络参数进行设置；
将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种基于显著性特征的绝缘子图像识别方法及系统，通过神经网络学习得到了针对绝缘子的有效分类器，同时显著性处理的加入，有效地减少原图中大量冗杂数据与信息，提高了后续利用神经网络学习建模的训练效果，拟合度得到较大提升，使得绝缘子的识别精度有相应的提高。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明整体流程示意图；
图2为本发明系统结构示意图；
图3为本发明样本训练流程图；
图4为本发明采用原始图像处理的回归曲线示意图；
图5为本发明经HC方法处理的回归曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1所示，一种基于显著性特征的绝缘子图像识别方法，包括：
S1：对采集到的绝缘子图像进行特征提取操作得到所述绝缘子图像的显著性特征；
S2：采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
S3：将新采集的绝缘子图像传输给所述绝缘子图像识别模型得到识别结果。
本实施例中通过神经网络学习得到了针对绝缘子的有效分类器，同时利用直方图对比度提取出绝缘子图像外观的显著性特征处理的加入，有效地减少原图中大量冗杂数据与信息，提高了后续利用神经网络学习建模的训练效果，拟合度得到较大提升，使得绝缘子的识别精度有相应的提高。
在本实施例中在特征提取步骤中，为提取图像的特征信息，采用HC(Histogrambased Contrast)即基于直方图的对比度的方法将被识别物体所在区域作为感兴趣的区域，通过计算该区域的像素色彩所具有显著性值得到显著性特征；主要的实现步骤包括：量化颜色通道----像素排序----找出高频、低频颜色----计算并分配显著值----获取显著性特征；而所述量化颜色通道，目的是为了找出图像中的颜色总数以及对应的像素总数，从而找出其频数。在提取特征后通过BP神经网络将提取的图像显著性特征用于建立识别模型；且训练之后所建立的数学模型可以通过回归曲线反映其建模的准确性。即数据的分散程度越集中，Fit曲线与Y＝T曲线的重合率越高，反应训练效果的R值越接近于1，其拟合度越高，建模的效果越好。
本实施例主要首先使用原图样本进行神经网络训练，得到最终所建模型对应的回归曲线，在相同的参数条件下，对原图进行HC方法的显著性特征处理，再次训练得到最终的回归曲线。通过对比得到经过HC方法特征提取后的训练样本，较直接使用原图进行训练建模相比，其回归曲线接近于1，其拟合度较高，显著性的特征提取有效的减少了图像中其它冗杂信息的干扰，最终的训练建模效果更好。
进一步的，所述S1包括以下步骤：
S11：将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
S12：采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
进一步的，所述S12中计算得到显著性特征的具体步骤包括：
S121：读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
S122：根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
S123：将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
S124：找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
S125：计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
S126：对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
S127：将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
进一步的，所述S125中颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
如图3所示，所述S2包括以下步骤：
S21：根据所述显著性特征确定所述绝缘子图像识别模型的网络结构，包括输入层、输出层的节点数、节点的转移函数和误差函数类型；
S22：根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型，包括隐层数、各隐层内的节点数和可调参数值；
S23：将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
在BP神经网络中输入经HC方法处理后的绝缘子图像作为训练样本，通过对各种参数的调整，其中设置训练次数为300次、学习速率为0.19、设置误差0.0000000000001精度，得出最好的训练效果。通过网络学习后，建立了BP神经网络的预测模型，并对预测模型进行了测试得到经过HC处理和未经过HC处理的曲线图如图4和图5所示。
如图2所示，一种基于显著性特征的绝缘子图像识别系统，包括：
预处理模块，对采集到的绝缘子图像进行特征提取操作；
模型训练模块，采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
识别模块，识别新采集的绝缘子图像得到识别结果。
进一步的，所述预处理模块包括：
将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
进一步的，所述计算得到显著性特征的具体步骤包括：
读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
进一步的，所述颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
进一步的，所述模型训练模块包括：
根据所述显著性特征确定所述绝缘子图像识别模型的网络结构，包括输入层、输出层的节点数、节点的转移函数、学习训练函数和误差函数类型；
根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型，对所述绝缘子图像识别模型的网络参数进行设置；
将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
实施例2
在实施例1的基础上，对采集的绝缘子图像进行绝缘子特征显著性提取、样本训练集建模、样本测试集验证以及绝缘子图像识别；
且在绝缘子特征显著性提取步骤中，将绝缘子原图输入到MATLAB中，利用已有的脚本文件与函数文件，进行HC方法处理得到识别结果。
经过上述步骤的处理，本实施例中原绝缘子图像中的大量冗杂数据与信息被有效减少。
如图3所示，所述S2包括以下步骤：
S21：根据所述显著性特征确定所述绝缘子图像识别模型的网络结构；
S22：输入绝缘子训练样本参数矩阵为P，目标参数矩阵为T，所述矩阵T为绝缘子测试样本，输入层节点数为1000，输出层节点数为40；
S23：所建神经网络有2层隐含层，所含的神经元数目分别为500和32；
S24：设置传递函数为log-sigmoid即对数S型传递函数，学习训练函数为RProp即弹性算法，误差算法为Mean Squared Error即均方差；
S25：根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型；
S26：进行各项网络参数的设置，设置训练次数为300，学习速率为0.19，显示间隔次数为50，误差为0.0000000000001；
S27：将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于显著性特征的绝缘子图像识别方法，其特征在于，包括：
S1：对采集到的绝缘子图像进行特征提取操作得到所述绝缘子图像的显著性特征；
S2：采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
S3：将新采集的绝缘子图像传输给所述绝缘子图像识别模型得到识别结果。
2.根据权利要求1所述的一种基于显著性特征的绝缘子图像识别方法，其特征在于，所述S1包括以下步骤：
S11：将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
S12：采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
3.根据权利要求2所述的一种基于显著性特征的绝缘子图像识别方法，其特征在于，所述S12中计算得到显著性特征的具体步骤包括：
S121：读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
S122：根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
S123：将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
S124：找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
S125：计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
S126：对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
S127：将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
4.根据权利要求3所述的一种基于显著性特征的绝缘子图像识别方法，其特征在于，所述S125中颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
5.根据权利要求1所述的一种基于显著性特征的绝缘子图像识别方法，其特征在于，所述S2包括以下步骤：
S21：根据所述显著性特征确定所述绝缘子图像识别模型的网络结构；
S22：输入所述网络模型的输入层节点数、输出层节点数、绝缘子训练样本参数矩阵和目标参数矩阵；
S23：确定所述网络模型的隐含层数和所述隐含层包含的神经元数目；
S24：设置所述网络模型的传递函数、学习训练函数和误差算法；
S25：根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型；
S26：对所述绝缘子图像识别模型的网络参数、训练次数和学习速率进行设置；
S27：将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
6.一种基于显著性特征的绝缘子图像识别系统，其特征在于，包括：
预处理模块，对采集到的绝缘子图像进行特征提取操作；
模型训练模块，采用BP神经网络对所述显著性特征进行训练得到绝缘子图像识别模型；
识别模块，识别新采集的绝缘子图像得到识别结果。
7.根据权利要求6所述的一种基于显著性特征的绝缘子图像识别系统，其特征在于，所述预处理模块包括：
将采集到的绝缘子图像中的被识别的绝缘子区域作为特征提取区域；
采用基于直方图的对比度对所述特征提取区域的像素色彩进行计算得到显著性特征。
8.根据权利要求7所述的一种基于显著性特征的绝缘子图像识别系统，其特征在于，所述计算得到显著性特征的具体步骤包括：
读取所述采集到的绝缘子图像中的特征提取区域得到所述绝缘子图像的长、宽和颜色通道值；
根据所述颜色通道值得到所述绝缘子图像中的特征提取区域的颜色总数以及对应的像素总数；
将所述像素总数由大到小进行排序，并在排序的同时记录所述像素总数相应的颜色；
找出排序后的像素总数中覆盖所述绝缘子图像中的特征提取区域大于或等于95％的高频颜色，以及小于或等于5％的颜色种类得到特征提取颜色集；
计算所述特征提取颜色集的一个颜色与所述特征提取颜色集的其他颜色的距离；
对上一步骤计算得到的距离由小到大进行排序，并计算所述距离对应的颜色的显著值；
将所述显著值中较大显著值分配给感兴趣信息，最小显著值分配给无关信息，从而获取显著性特征。
9.根据权利要求8所述的一种基于显著性特征的绝缘子图像识别系统，其特征在于，所述颜色之间的距离计算公式：
式中I为输入图像，D(Ik，Ii)是空间L*a*b中像素Ik与不同像素Ii的距离。
10.根据权利要求6所述的一种基于显著性特征的绝缘子图像识别系统，其特征在于，所述模型训练模块包括：
根据所述显著性特征确定所述绝缘子图像识别模型的网络结构，包括输入层、输出层的节点数、节点的转移函数、学习训练函数和误差函数类型；
根据确定的所述绝缘子图像识别模型的网络结构选择BP神经网络的网络结构得到绝缘子图像识别模型，对所述绝缘子图像识别模型的网络参数进行设置；
将所述显著性特征输入所述绝缘子图像识别模型进行训练，根据训练结果对所述绝缘子图像识别模型进行修正得到最终的绝缘子图像识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737867.0A CN111881922B (zh) | 2020-07-28 | 2020-07-28 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737867.0A CN111881922B (zh) | 2020-07-28 | 2020-07-28 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881922A true CN111881922A (zh) | 2020-11-03 |
| CN111881922B CN111881922B (zh) | 2023-12-15 |
Family
ID=73200351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010737867.0A Active CN111881922B (zh) | 2020-07-28 | 2020-07-28 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881922B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256604A (zh) * | 2021-06-15 | 2021-08-13 | 广东电网有限责任公司湛江供电局 | 一种二重学习的绝缘子串缺陷识别方法及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
| CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
| CN105469097A (zh) * | 2015-11-18 | 2016-04-06 | 江苏省电力公司检修分公司 | 一种基于神经网络的变电站特征提取方法 |
| CN109190513A (zh) * | 2018-08-14 | 2019-01-11 | 中山大学 | 结合图像显著性检测和神经网络的车辆重识别方法与系统 |
| US20190050689A1 (en) * | 2017-08-14 | 2019-02-14 | Microsoft Technology Licensing, Llc | Fast deep neural network training |
| CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
| CN109753836A (zh) * | 2018-12-20 | 2019-05-14 | 恒银金融科技股份有限公司 | 基于微分搜索算法的bp神经网络二维码区域提取方法 |
| CN110378407A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于纹理参数和神经网络的电力设备图像识别方法和装置 |
| CN111222564A (zh) * | 2020-01-02 | 2020-06-02 | 中国科学院自动化研究所 | 基于图像通道相关性的图像鉴别系统、方法、装置 |
| CN111310722A (zh) * | 2020-03-12 | 2020-06-19 | 广东电网有限责任公司广州供电局 | 一种基于改进神经网络的电力设备图像的故障识别方法 |
-
2020
- 2020-07-28 CN CN202010737867.0A patent/CN111881922B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834933A (zh) * | 2014-02-10 | 2015-08-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
| CN104598924A (zh) * | 2015-01-14 | 2015-05-06 | 南京邮电大学 | 一种目标匹配检测方法 |
| CN105469097A (zh) * | 2015-11-18 | 2016-04-06 | 江苏省电力公司检修分公司 | 一种基于神经网络的变电站特征提取方法 |
| US20190050689A1 (en) * | 2017-08-14 | 2019-02-14 | Microsoft Technology Licensing, Llc | Fast deep neural network training |
| CN109190513A (zh) * | 2018-08-14 | 2019-01-11 | 中山大学 | 结合图像显著性检测和神经网络的车辆重识别方法与系统 |
| CN109753836A (zh) * | 2018-12-20 | 2019-05-14 | 恒银金融科技股份有限公司 | 基于微分搜索算法的bp神经网络二维码区域提取方法 |
| CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
| CN110378407A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于纹理参数和神经网络的电力设备图像识别方法和装置 |
| CN111222564A (zh) * | 2020-01-02 | 2020-06-02 | 中国科学院自动化研究所 | 基于图像通道相关性的图像鉴别系统、方法、装置 |
| CN111310722A (zh) * | 2020-03-12 | 2020-06-19 | 广东电网有限责任公司广州供电局 | 一种基于改进神经网络的电力设备图像的故障识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| YU-PING LU: "A new fuzzy neural network based insulator contamination detection", 《PROCEEDINGS OF THE 2006 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》, pages 6 * |
| 吴婕萍 等: "基于显著性特征的绝缘子外观识别方法研究", 《价值工程》, vol. 39, no. 27, pages 162 - 163 * |
| 吴婕萍;赵文昊;于文萍;: "基于SIFT算法的导线异物悬挂检测方法研究", 中小企业管理与科技(中旬刊), no. 06, pages 183 - 184 * |
| 彭淑敏, 王军宁: "基于神经网络的图像识别方法", 电子科技, no. 01, pages 39 - 42 * |
| 翟永杰;王迪;赵振兵;程海燕;: "基于空域形态一致性特征的绝缘子串定位方法", 中国电机工程学报, no. 05, pages 326 - 336 * |
| 苑利;赵锐;谭孝元;苟先太;: "基于红外成像技术的零值绝缘子检测", 高压电器, no. 02, pages 97 - 102 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256604A (zh) * | 2021-06-15 | 2021-08-13 | 广东电网有限责任公司湛江供电局 | 一种二重学习的绝缘子串缺陷识别方法及设备 |
| CN113256604B (zh) * | 2021-06-15 | 2021-10-08 | 广东电网有限责任公司湛江供电局 | 一种二重学习的绝缘子串缺陷识别方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881922B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN102426646B (zh) | 多角度人脸检测装置与方法 | |
| CN112818969B (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
| CN110675395A (zh) | 输电线路智能在线监测方法 | |
| CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
| CN113920097B (zh) | 一种基于多源图像的电力设备状态检测方法及系统 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
| CN111062423B (zh) | 基于自适应特征融合的点云图神经网络的点云分类方法 | |
| CN114241511B (zh) | 一种弱监督行人检测方法、系统、介质、设备及处理终端 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN113139501B (zh) | 一种联合局部区域检测与多级特征抓取的行人多属性识别方法 | |
| CN105354856A (zh) | 一种基于mser与orb相结合的人体匹配与定位方法及系统 | |
| CN109615616A (zh) | 一种基于abc-pcnn的裂缝识别方法及系统 | |
| CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
| CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN111881922A (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 | |
| CN110751667A (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
| CN114445875A (zh) | 基于深度学习的身份识别与人脸比对系统及训练方法 | |
| CN113344987A (zh) | 复杂背景下电力设备的红外与可见光图像配准方法及系统 | |
| CN111696070A (zh) | 基于深度学习的多光谱图像融合电力物联网故障点检测方法 | |
| CN115546224B (zh) | 一种电机运行过程故障自动识别及控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |