发明内容
本申请实施例提供一种基于绝缘子图像检测模型检测绝缘子图像的方法及装置,能够基于改进的特征提取网络较为准确的检测绝缘子图像的绝缘子,解决了现有的Faster-RCNN对绝缘子图像检测正确率较低的问题。
第一方面,本申请实施例提供一种基于绝缘子图像检测模型检测绝缘子图像的方法,该绝缘子图像检测模型包括,特征提取网络、区域候选网络和分类器;特征提取网络中嵌有空间变换网络;
该方法包括:
获取目标绝缘子图像;
通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图;
通过空间变换网络对第一特征图进行空间变换,得到第二特征图;
通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图;
通过处理第二特征图和第三特征图,得到第四特征图;
将第四特征图输入区域候选网络,输出第五特征图,第五特征图中标识有绝缘子所在的位置;
将第四特征图输入分类器,输出第四特征图中的绝缘子类型。
进一步地,在一种实施例中,通过处理第二特征图和第三特征图,得到第四特征图,包括:
在第一预设卷积核下对第二特征图进行卷积,得到第六特征图;
对第三特征图进行上采样,得到第七特征图,第七特征图与第一特征图的尺寸相同;
通过处理第六特征图与第七特征图,得到第四特征图。
进一步地,在一种实施例中,通过处理第六特征图与第七特征图,得到第四特征图,包括:
分别在第一预设卷积核下和第二卷积核下对第七特征图进行卷积,得到第八特征图和第九特征图;
对第六特征图、第八特征图和第九特征图用加法进行特征融合,生成融合特征图;
在第一预设卷积核下对融合特征图进行卷积,得到第四特征图。
进一步地,在一种实施例中,区域候选网络的候选框是基于第四特征图中的绝缘子轮廓确定的。
进一步地,在一种实施例中,绝缘子图像检测模型通过如下步骤训练得到:
获取训练样本集,训练样本集包括多个训练样本,每个训练样本包括绝缘子原始图像和与其对应的标签图像;
针对每个训练样本,分别执行以下操作:将训练样本输入目标模型的特征提取网络中的第一预设卷积层,得到第一训练特征图;将第一训练特征图输入空间变换网络,得到第二训练特征图;将训练样本输入特征提取网络中的第二预设卷积层,得到第三训练特征图;处理第二训练特征图和第三训练特征图,得到第四训练特征图;将第四训练特征图输入区域候选网络,输出第五训练特征图,第五训练特征图中标识有绝缘子所在的位置;将第四训练特征图输入分类器,输出第四训练特征图中的绝缘子类型;
在不满足预设训练停止条件的情况下,根据各个第五训练特征图、第四训练特征图中的绝缘子类型以及其对应的标签图像,调整目标模型的模型参数;返回将训练样本输入目标模型的特征提取网络中的第一预设卷积层,直至满足预设训练停止条件,得到绝缘子图像检测模型。
第二方面,本申请实施例提供一种基于绝缘子图像检测模型检测绝缘子图像的装置,该绝缘子图像检测模型包括,特征提取网络、区域候选网络和分类器;特征提取网络中嵌有空间变换网络;
该装置包括:
获取模块,用于获取目标绝缘子图像;
第一特征提取模块,用于通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图;
空间变换模块,还用于通过空间变换网络对第一特征图进行空间变换,得到第二特征图;
第二特征提取模块,还用于通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图;
处理模块,用于通过处理第二特征图和第三特征图,得到第四特征图;
第一输出模块,用于将第四特征图输入区域候选网络,输出第五特征图,第五特征图中标识有绝缘子所在的位置;
第二输出模块,还用于将第四特征图输入分类器,输出第四特征图中的绝缘子类型。
进一步地,在一种实施例中,处理模块,包括:第一处理单元、第二处理单元、以及第三处理单元;
第一处理单元,用于在第一预设卷积核下对第二特征图进行卷积,得到第六特征图;
第二处理单元,用于对第三特征图进行上采样,得到第七特征图,第七特征图与第一特征图的尺寸相同;
第三处理单元,用于通过处理第六特征图与第七特征图,得到第四特征图。
进一步地,在一种实施例中,第三处理单元,具体用于:
分别在第一预设卷积核下和第二卷积核下对第七特征图进行卷积,得到第八特征图和第九特征图;
对第六特征图、第八特征图和第九特征图用加法进行特征融合,生成融合特征图;
在第一预设卷积核下对融合特征图进行卷积,得到第四特征图。
第三方面,本申请实施例提供一种基于绝缘子图像检测模型检测绝缘子图像的计算设备,该计算设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现如权利要求至中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有信息传递的实现程序,程序被处理器执行时实现如权利要求至中任一项的方法。
本申请实施例的基于绝缘子图像检测模型检测绝缘子图像的方法及装置,首先通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图,第一预设卷积层为低层卷积层,能够更好的检测出较小的绝缘子图像;然后通过空间变换网络对第一特征图进行空间变换,得到第二特征图,经空间变换后的特征图能够更好的表征绝缘子的图像特征;通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图,第二预设卷积层为高层卷积层,包含丰富的语义特征;通过处理第二特征图和第三特征图,得到第四特征图,由于本申请的第四特征图是基于第二特征图和第三特征图得到的,不仅能够清楚反映绝缘子图像,并且包含着丰富的语义特征,基于该第四特征图分别输入区域候选网络和分类器,输出的绝缘子位置和绝缘子类型更加准确。本申请通过将空间变换网络引入Faster-RCNN目标检测模型的特征提取网络,该空间变换网络可对输入图像或特征图执行空间变换操作,提高卷积神经网络模型的几何不变性,从而提高了Faster-RCNN目标检测模型的检测精度,进而提高Faster-RCNN目标检测模型的检测性能,使得Faster-RCNN目标检测模型对图像中的绝缘子目标具有更好的检测效果,解决了现有的Faster-RCNN对绝缘子图像的绝缘子检测正确率较低的问题。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,对绝缘子的故障诊断主要是对无人机航拍巡线绝缘子图像中的绝缘子目标进行分析。然而,在输电线路中,绝缘子的种类较多,包括不同材质、不同形状和不同颜色的绝缘子。此外,航拍巡线绝缘子图像背景复杂,图像差异大进而导致很难找到一种鲁棒性较好的方法对航拍图像中的绝缘进行识别和定位。目前,对无人机巡线绝缘子图像中的绝缘子进行识别的定位方法主要有以下几种:
基于纹理的方法,这类方法主要是通过查找图像中感兴趣的纹理信息实现对绝缘子的定位,但是这类方法计算复杂度高,同时对于图像中绝缘子和背景的纹理信息对比不明显时,定位效果较差。
基于边缘检测的方法,该方法主要是根据图像感兴趣的边缘来定位图像中的绝缘子,但是航拍巡线绝缘子图像背景复杂,包含大量噪声,从而该类方法在实际应用中效果不好。
基于局部特征的方法,这类方法主要使用图像中不同的局部特征对图像信息进行表征,然后选出图像中绝缘子目标部分的特征图,进而实现图像中绝缘子目标的定位。
近年来,随着深度卷积神经网络的不断发展,基于深度学习的图像分类模型不断发展并且可以较好的提取图像的特征。相较于传统的手工设计图像特征的方式,卷积神经网络可以通过网络模型根据数据集中的图像信息,自主的学习挖掘图像的特征。卷积神经网络是一种层次结构,采用多层卷积层、激活函数和池化层的堆叠的方式,在每层之间通过不断的映射,使模型具有较强的非线性映射能力和表征图像特征的能力,进而使得卷积神经网络提取的图像特征图可以有效的表征图像的特征信息。
目前有成功的将基于卷积神经网络的Faster RCNN目标检测模型应用到绝缘子图像中的绝缘子检测中,但是并未针对航拍巡线绝缘子图像的特点对模型进行改进。由于航拍巡线绝缘子图像中绝缘子目标存在角度独特,即部分图像中绝缘子目标呈倾斜的角度。此外,部分图像中绝缘子目标由于拍摄距离的原因使得图像中的绝缘子目标较小,而Faster-RCNN模型采用单尺度预测的方式使得该模型对图像中小目标检测效果较差。分析图像中绝缘子目标发现,绝大部分图像中绝缘子都呈长条状,即目标的宽高差别较大,原有的Faster RCNN生成检测框的方式并不适用于检测绝缘子目标。
为了解决现有技术问题,本申请实施例提供了一种基于绝缘子图像检测模型检测绝缘子图像的方法及装置。本申请实施例通过将空间变换网络引入Faster-RCNN目标检测模型的特征提取网络,该空间变换网络可对输入图像或特征图执行空间变换操作,提高卷积神经网络模型的几何不变性,从而提高了Faster-RCNN目标检测模型的检测精度,进而提高Faster-RCNN目标检测模型的检测性能,使得Faster-RCNN目标检测模型对图像中的绝缘子目标具有更好的检测效果,解决了现有的Faster-RCNN对绝缘子图像的绝缘子检测正确率较低的问题。下面首先对本申请实施例采用的绝缘子图像检测模型进行介绍。
该绝缘子图像检测模型包括特征提取网络、区域候选网络(Region ProposalNetworks,RPN)和分类器Classifier,特征提取网络包含卷积层(Convolutional layers,Conv layers)并嵌有空间变换网络(Spatial Transformer Networks,STNs),Conv layers有N层,N为大于等于2的正整数,该绝缘子图像检测模型的结构示意图如图1所示。
下面介绍该模型的训练方法,如图2所示,该训练方法的流程示意图可以包括如下步骤:
S210,获取训练样本集。
训练样本集包括多个训练样本,每个训练样本包括绝缘子原始图像和与其对应的标签图像;标签图像指示出了原始图像对应的绝缘子位置和绝缘子类型。该训练样本集可以是历史拍摄后并进行标签的绝缘子图像。获取该训练样本集仅需与存有历史拍摄后并进行标签的绝缘子图像的终端进行数据传输。
针对每个训练样本,分别执行以下操作:
S220,将训练样本输入目标模型的特征提取网络中的第一预设卷积层,得到第一训练特征图。
基于绝缘子图像通常较小,而低层卷积层适用于检测小目标图形,本申请的第一预设卷积层选用低层卷积层。
S230,将第一训练特征图输入空间变换网络,得到第二训练特征图。
经空间变换后的特征图能够更好的表征图像特征。
S240,将训练样本输入特征提取网络中的第二预设卷积层,得到第三训练特征图。
第二预设卷积层选为高层卷积层,经第二预设卷积层提取的第三训练特征图包含丰富的语义特征。
S250,处理第二训练特征图和第三训练特征图,得到第四训练特征图。
由于第二特征图是基于低层卷积层生成,所包含语义特征较少,故将第三特征图与其融合,丰富第二特征图的语义特征,从而进一步的提升检测精度。
S260,将第四训练特征图输入区域候选网络,输出第五训练特征图,第五训练特征图中标识有绝缘子所在的位置。
S270,将第四训练特征图输入分类器,输出第四训练特征图中的绝缘子类型。
S280,在不满足预设训练停止条件的情况下,根据各个第五训练特征图、第四训练特征图中的绝缘子类型以及其对应的标签图像,调整目标模型的模型参数;返回将训练样本输入目标模型的特征提取网络中的第一预设卷积层,直至满足预设训练停止条件,得到绝缘子图像检测模型。
本申请通过将空间变换网络引入Faster-RCNN目标检测模型的特征提取网络,该空间变换网络可对输入图像或训练特征图执行空间变换操作,提高卷积神经网络模型的几何不变性,从而提高了Faster-RCNN目标检测模型的检测精度,进而提高Faster-RCNN目标检测模型的检测性能,使得Faster-RCNN目标检测模型对图像中的绝缘子目标具有更好的检测效果,解决了现有的Faster-RCNN对绝缘子图像的绝缘子检测正确率较低的问题。
基于上述模型,下面介绍本申请提供的检测绝缘子图像的方法。图3示出了本申请一个实施例提供的基于绝缘子图像检测模型检测绝缘子图像的方法的流程示意图。如图3所示,该方法可以包括以下步骤:
S110:获取目标绝缘子图像。
该目标绝缘子可以由拍摄装置拍摄获取,在输电线路中,对绝缘子图像中的绝缘子目标进行检测在绝缘子的故障诊断中是至关重要的。在对绝缘子故障进行诊断的过程中,只有准确的识别和定位图像中的绝缘子目标才能对故障原因进行分析。
S120:通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图。
基于绝缘子图像通常较小,而低层卷积层适用于检测小目标图形,本申请的第一预设卷积层选用低层卷积层。
S130:通过空间变换网络对第一特征图进行空间变换,得到第二特征图。
经空间变换后的特征图能够更好的表征图像特征。
S140:通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图。
第二预设卷积层为高层卷积层,经第二预设卷积层提取的第三训练特征图包含丰富的语义特征。
S150:通过处理第二特征图和第三特征图,得到第四特征图。
由于第二特征图是基于低层卷积层生成,所包含语义特征较少,故将第三特征图与其融合,丰富第二特征图的语义特征,从而进一步的提升检测精度。
在一种实施例中,基于第二特征图与第三特征图的图形差异,在融合二者前,需要对他们进行融合前的预处理,基于此,S150可以包括:
在第一预设卷积核下对第二特征图进行卷积,得到第六特征图。
对第三特征图进行上采样,得到第七特征图,第七特征图与第一特征图的尺寸相同。
分别在第一预设卷积核下和第二卷积核下对第七特征图进行卷积,得到第八特征图和第九特征图。
经过上述对第二特征图和第三特征图的预处理后,即可进行特征图的融合,即:对第六特征图、第八特征图和第九特征图用加法进行特征融合,生成融合特征图。
在第一预设卷积核下对融合特征图进行卷积,得到第四特征图。经过第一预设卷积核下的卷积,此时的第四特征图适用于区域候选网络和分类器的输入。
S160:将第四特征图输入区域候选网络,输出第五特征图,第五特征图中标识了绝缘子所在的位置。
S170:将第四特征图输入分类器,输出第四特征图中的绝缘子类型。
绝缘子的类型包括材质类型、形状类型和颜色类型。
至此,即完成了目标绝缘子图像的检测,检测出了该图像中绝缘子的位置及类型。
在一种实施例中,基于绝缘子图像的外形特殊性,本申请实施例提供的区域候选网络的候选框可以是基于第四特征图中的绝缘子轮廓确定的。具体的,根据绝缘子轮廓确定候选框的个数、尺寸大小、以及长宽比。
本申请实施例的基于绝缘子图像检测模型检测绝缘子图像的方法及装置,首先通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图,第一预设卷积层为低层卷积层,能够更好的检测出较小的绝缘子图像;然后通过空间变换网络对第一特征图进行空间变换,得到第二特征图,经空间变换后的特征图能够更好的表征绝缘子的图像特征;通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图,第二预设卷积层为高层卷积层,包含丰富的语义特征;通过处理第二特征图和第三特征图,得到第四特征图,由于本申请的第四特征图是基于第二特征图和第三特征图得到的,不仅能够清楚反映绝缘子图像,并且包含着丰富的语义特征,基于该第四特征图分别输入区域候选网络和分类器,输出的绝缘子位置和绝缘子类型更加准确。
以上为本申请实施例提供的基于绝缘子图像检测模型检测绝缘子图像的方法,为了便于理解,下面提供一个基于该方法进行绝缘子图像检测的具体应用实例进行说明。
图4示出了该具体应用实例的流程示意图,该实例应用的绝缘子图像检测模型包括:特征提取网络、区域候选网络和分类器;特征提取网络中包括卷积层,且嵌有空间变换网络,该卷积层有con1、con2、con3、con4、和con5共五层。如图4所示,该应用实例可以包括:
S310,获取目标绝缘子图像。
S312,通过con3对目标绝缘子图像进行特征提取,得到第一特征图。
S314,通过空间变换网络对第一特征图进行空间变换,得到第二特征图。
下面对空间变换网络进行介绍,图5示出了空间变换网络的结构,如图5所示,其中:
本地化网络Localization net根据输入图,计算得到一个θ。
网格生成器Grid generator根据输出图的坐标点和θ,采用Tθ(G)计算出输入图的坐标点。
采样器Sampler根据输入图的坐标点和自身定义的填充规则来填充像素,形成输出图。
S316,对第二特征图进行卷积操作,卷积核的大小为1×1,得到第六特征图。
S318,通过con5对目标绝缘子图像进行特征提取,得到第三特征图。
S320,通过反卷积的方式对第三特征图不断进行上采样,得到第七特征图,采样停止条件为:第七特征图与第一特征图的尺寸相同。
S322,对第七特征图进行两次卷积操作,两次操作的卷积核分别为1×1和3×3,相应得到第八特征图和第九特征图。
S324,对第六特征图、第八特征图和第九特征图用加法进行特征融合,生成融合特征图。
融合特征图的生成流程示意图如图6所示。
S326,在第一预设卷积核下对融合特征图进行卷积,得到第四特征图。
第四特征图的生成流程示意图如图7所示。
S328,将第四特征图输入区域候选网络,输出第五特征图。
该区域候选网络的候选框是基于第四特征图中的绝缘子轮廓确定的,图10示出了该候选框的结构示意图,其中,候选框的尺度大小分别设置为8和16,长宽比设置为1:6、6:1、1:3、以及3:1,在第四特征图中的每个锚点上生成8个大小不同的候选框,图4仅示出了四个候选框,并未将全部8个候选框示出。
S330,将第四特征图输入分类器,输出第四特征图中的绝缘子类型。
本申请实施例的基于绝缘子图像检测模型检测绝缘子图像的方法及装置,首先通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一训练特征图,第一预设卷积层为低层卷积层,能够更好的检测出较小的绝缘子图像;然后通过空间变换网络对第一训练特征图进行空间变换,得到第二训练特征图,经空间变换后的训练特征图能够更好的表征绝缘子的图像特征;通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三训练特征图,第二预设卷积层为高层卷积层,包含丰富的语义特征;通过处理第二训练特征图和第三训练特征图,得到第四训练特征图,由于本申请的第四训练特征图是基于第二训练特征图和第三训练特征图得到的,不仅能够清楚反映绝缘子图像,并且包含着丰富的语义特征,基于该第四训练特征图分别输入区域候选网络和分类器,输出的绝缘子位置和绝缘子类型更加准确。
图1-7描述了基于绝缘子图像检测模型检测绝缘子图像的方法,下面结合附图8和附图9描述本申请实施例提供的装置。
图8示出了本申请一个实施例提供的绝缘子图像检测模型的训练装置的结构示意图,图8所示装置中各模块具有实现图3中各个步骤的功能,并能达到其相应技术效果,为简洁描述,在此不再赘述。如图9所示,该装置可以包括:
获取模块210,用于获取目标绝缘子图像;
第一特征提取模块220,用于通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图;
空间变换模块230,还用于通过空间变换网络对第一特征图进行空间变换,得到第二特征图;
第二特征提取模块240,还用于通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图;
处理模块250,用于通过处理第二特征图和第三特征图,得到第四特征图;
第一输出模块260,用于将第四特征图输入区域候选网络,输出第五特征图,第五特征图中标识有绝缘子所在的位置;
第二输出模块270,还用于将第四特征图输入分类器,输出第四特征图中的绝缘子类型。
本申请实施例的基于绝缘子图像检测模型检测绝缘子图像的装置,首先通过特征提取网络中的第一预设卷积层对目标绝缘子图像进行特征提取,得到第一特征图,第一预设卷积层为低层卷积层,能够更好的检测出较小的绝缘子图像;然后通过空间变换网络对第一特征图进行空间变换,得到第二特征图,经空间变换后的特征图能够更好的表征绝缘子的图像特征;通过特征提取网络中的第二预设卷积层对目标绝缘子图像进行特征提取,得到第三特征图,第二预设卷积层为高层卷积层,包含丰富的语义特征;通过处理第二特征图和第三特征图,得到第四特征图,由于本申请的第四特征图是基于第二特征图和第三特征图得到的,不仅能够清楚反映绝缘子图像,并且包含着丰富的语义特征,基于该第四特征图分别输入区域候选网络和分类器,输出的绝缘子位置和绝缘子类型更加准确。
图9示出了本申请一个实施例提供的基于绝缘子图像检测模型检测绝缘子图像的计算设备的结构示意图。如图9所示,该设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器302可以包括可移除或不可移除(或固定)的介质,或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
在一个实例中,存储器302可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现图3所示实施例中的方法/步骤S110至S170,并达到图3所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,该基于绝缘子图像检测模型检测绝缘子图像的计算设备还可包括通信接口303和总线300。其中,如图9所示,处理器301、存储器302、通信接口303通过总线300连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线300包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线300可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该基于绝缘子图像检测模型检测绝缘子图像的计算设备可以执行本申请实施例中的基于绝缘子图像检测模型检测绝缘子图像的方法的步骤,从而实现图3描述的基于绝缘子图像检测模型检测绝缘子图像的方法。
另外,结合上述实施例中的基于绝缘子图像检测模型检测绝缘子图像的方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于绝缘子图像检测模型检测绝缘子图像的方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。