CN112784632B - 一种输电线路安全隐患检测方法及装置 - Google Patents
一种输电线路安全隐患检测方法及装置 Download PDFInfo
- Publication number
- CN112784632B CN112784632B CN201911078258.2A CN201911078258A CN112784632B CN 112784632 B CN112784632 B CN 112784632B CN 201911078258 A CN201911078258 A CN 201911078258A CN 112784632 B CN112784632 B CN 112784632B
- Authority
- CN
- China
- Prior art keywords
- categories
- clustering
- power transmission
- classification
- transmission line
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种输电线路安全隐患检测方法及装置,用以解决现有的输电线路安全隐患检测方法对相似目标的检测准确率较低、分类定位精度较低的问题。该方法根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配。
Description
技术领域
本申请涉及目标检测技术领域,尤其涉及一种输电线路安全隐患检测方法及装置。
背景技术
随着工业的发展,输电线路的分布范围越来越广泛。作为输送电流的介质,输电线路的安全性与完整性,不仅关乎人们的日常生活用电,还关乎人们的生命健康安全。
在输电线路的使用过程中,为了保护输电线路的安全性,通常需要注意输电线路附近是否存在推土机、挖掘机等工程机械,以及风筝等意外因素,以免这些因素造成输电线路的安全隐患,导致危害后果。
为了对输电线路的安全隐患问题进行检测,往往通过安装在输电线路上的摄像头来获取输电线路附近的图像,并通过对这些图像的目标检测与识别,来检测输电线路附近是否存在安全隐患问题。然而,目前的一种目标检测方法,是通过对数据集进行标注,训练目标检测模型,利用训练好的目标检测模型来实现对目标的检测以及分类。
但是,采用这样的目标检测方法来检测输电线路的安全隐患,存在以下几个问题:第一,在训练目标检测模型时,通常将不同类别的目标作为互斥类别进行训练。但有些类别的目标的特征相似度较高,直接将相似度较高的两类目标作为互斥目标,可能导致两类目标的区分性不强,从而导致目标检测模型对相似目标的分类准确率较低。尤其是在输电线路安全隐患检测方面,由于通过输电线路附近的摄像头获取的图像,通常是在较高的视角下获得的,在这种视角下,例如推土机、挖掘机等工程机械的相似度较高,其表现出来的特征的区分度较小,难以进行辨别,因而容易导致输电线路安全隐患检测的准确率较低。第二,现有的目标检测方法在训练模型时,必须对用于训练的数据进行标注,而部分数据由于未标注而无法用于训练,使得预先获取到的大量输电线路安全隐患相关的图像得不到有效利用,导致训练数据的利用率较低。第三,有些安全隐患类别的训练数据的数量较少,会导致部分安全隐患类别的特征表达不明确,影响模型的分类定位精度。
发明内容
本申请实施例提供一种输电线路安全隐患检测方法及装置,用以解决现有的输电线路安全隐患检测方法对相似目标的检测准确率较低、分类定位精度较低的问题。
本申请实施例提供的一种输电线路安全隐患检测方法,包括:
根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;
采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;
根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;
根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配。
本申请实施例提供的一种输电线路安全隐患检测装置,包括:
提取模块,根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;
聚类模块,采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;
训练模块,根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;
检测模块,根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配。
本申请实施例提供一种输电线路安全隐患检测方法及装置,服务器先训练分类模型,采用分类模型提取分类样本的图像特征。之后,服务器可采用层次凝聚聚类方法,对提取出的图像特征进行层次聚类,根据聚类结果构建词汇树,并采用词汇树训练检测模型,以此实现对各种输电线路安全隐患的目标检测。通过本方法,可合理划分各类别的分类样本之间的关系,利用词汇树的结构,减缓各类别的分类样本之间的互斥性,提高检测模型对相似类别的目标进行检测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
在附图中:
图1为本申请实施例提供的输电线路安全隐患检测方法流程图;
图2为本申请实施例提供的分类模型结构示意图;
图3为本申请实施例提供的层次凝聚聚类方法示意图;
图4为本申请实施例提供的词汇树结构示意图;
图5为本申请实施例提供的输电线路安全隐患检测装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的输电线路安全隐患检测方法流程图,具体包括以下步骤:
S101:训练分类模型,并根据训练好的分类模型的特征层,提取分类样本的图像特征。
在本申请实施例中,服务器可采用分类样本训练分类模型,在训练完成后,服务器可将训练好的分类模型的分类层(即输出层)的前面一层作为特征层,通过特征层,提取各分类样本的图像特征。其中,分类样本可通过预设的输电线路附近的摄像头获得,例如设置在电线杆上的摄像头等。
具体的,训练分类模型的过程如下:
首先,服务器可获取若干图像,作为训练数据。服务器可根据预存的标注文件,对训练数据的各图像中的具体目标进行识别、定位以及准确获取(即,将具体目标从训练数据的完整的图像中抠取出来),并将获得的各具体目标作为分类样本。其中,标注文件为预先标注好的,表示预设的安全隐患目标的名称、类别的数据文件。安全隐患目标表示可能会对输电线路的安全性造成危害的目标,包括各种工程机械、风筝等物体。服务器具体可通过可执行程序,对标注文件进行读取,并根据读取到的信息,对训练数据中的具体目标进行获取,并按照识别出的类别,对分属不同类别的具体目标进行分类存储。具体的安全隐患目标的设置与分类,可根据需要确定,本申请对此不做限定。
其次,服务器可按照预设比例,将分类样本划分为训练集与验证集,对分类模型进行训练。在一种可能的实现方式中,服务器可按照9:1的比例,将分类样本中的9/10作为训练集,对分类模型进行训练,并在训练完成后,采用剩下的1/10的验证集,验证分类模型分类的准确性。之后,服务器可根据验证结果,对分类模型中的相关参数进行调整,以提高分类模型进行识别分类的准确性。
进一步地,服务器在将分类样本划分为训练集与验证集前,可先根据预设类别,对分类样本进行分类,得到分属不同类别的分类样本,即分属不同安全隐患类别的安全隐患目标。之后,服务器可针对每个类别,将每个类别所包含的分类样本均按照预设比例,划分为训练集与验证集。其中,预设类别即为,标注文件中所表示的各具体目标(即安全隐患目标)对应的安全隐患类别。预设类别具体可包括导线异物、反光膜、挖掘机、吊车等等。服务器在根据标注文件获取训练数据中的具体目标时,可一并对各具体目标进行分类以及存储。通过这种方法,使得训练集中可包括各个类别的分类样本,那么,在采用训练集训练分类模型时,使分类模型可对各个类别的数据都进行充分的学习,避免出现训练集中某一类别的分类样本数量不足,而导致该类别的特征表达不充分,从而影响分类模型对该类别的目标进行分类的准确性。
更进一步地,服务器在训练分类模型的过程中,可根据各类别所包含的分类样本的数量,确定并调整各类别分别对应的采样权重。具体的,各类别所包含的分类样本的数量可与各类别对应的采样权重成负相关关系。由于在分类模型的训练过程中,若某一类别的分类样本数量过少,或各个类别的分类样本的数量不均衡时,可能会导致分类模型对各个类别的分类样本的学习深度不同,使某个或某些类别的特征表达不充分,这样会导致分类模型对这些类别的数据进行识别分类时,准确率较低,影响后续的使用。因此,通过根据各类别的分类样本的数量,来调整各类别对应的采样权重,可提高分类模型对分类样本数量较少的类别的关注度,使分类模型能够尽可能对各类别的分类样本都进行充分的学习,提高分类模型的准确率。
此外,服务器在训练分类模型的过程中,可采用预训练模型来定义分类模型的初始参数。其中,预训练模型表示在ImageNet数据集上训练得到的,训练好的模型。初始参数可包括类别数、学习速率、优化方法、学习速率更新方法等等。通过预训练模型对分类模型的参数进行初始化,可加快分类模型训练过程中,分类网络的收敛速度,缩短分类模型的训练时间,提高效率。
在一种可能的实现方式中,服务器可采用分类样本,训练ResNet101分类模型。图2为本申请实施例提供的分类模型结构示意图,如图2所示,图中每个图形均表示分类模型的其中一层,除图中标注的池化层与全连接层外,其他未标注的图形均表示卷积层。输入图像在输入分类模型后,经过卷积层、池化层、全连接层的处理,可由分类模型识别出其所属的类别。其中,卷积层与全连接层中可采用激活函数ReLU,池化层可采用最大池化法,最全连接层后可采用损失函数softmax。
最后,在本申请实施例中,在训练完成分类模型后,可将分类模型的分类层的前面一层作为特征层,利用特征层,提取分类样本的图像特征。在训练ResNet101分类模型时,针对每个分类样本,需提取4096维度的图像特征。
S102:采用层次凝聚聚类方法,对获取到的图像特征进行聚类,得到聚类结果。
在本申请实施例中,服务器在根据分类模型获得各分类样本的图像特征后,可采用层次凝聚聚类方法,对这些图像特征进行聚类,得到层次聚类结果。
具体的,层次凝聚聚类的过程如下:
首先,服务器可确定各分类样本的图像特征对应的特征数据点的向量维度,即对各分类样本的图像特征进行可视化。如图3所示,图3左侧部分表示对二维的图像特征进行可视化的示意图,其中,各个圆点表示各图像特征对应的特征数据点。
其次,如图3所示为层次凝聚聚类的过程示意图,采用层次凝聚聚类的方法进行聚类时,其聚类逻辑为:
(1)将每个特征数据点视为一个类别,计算每两个类别之间的距离。确定距离最近的两个类别,将这两个类别合成为一个类别。具体的,服务器可采用欧式距离公式计算两个特征数据点(x1,y1)与(x2,y2)之间的距离,或采用余弦距离公式/>计算两个特征数据点A与B之间的距离,可采用计算一个特征数据点A与一个类别(B、C)之间的距离,可采用平均连接方法/>计算两个类别(A、F)与(B、C)之间的距离。
(2)在每个特征数据点都被划分到某一个类别后,此时,各类别中都至少包括两个特征数据点。服务器可根据预设阈值,判断是否对两个类别进行合并。若两个类别之间的距离小于预设阈值时,对两个类别进行合并。若两个类别之间的距离不大于预设阈值时,不对两个类别进行合并。服务器可采用该方法,对所有类别进行遍历,直至所有类别不可再聚类,从而完成整个聚类过程。其中,在实际情况中,还可根据需要,设置多个不同的阈值,对上述步骤(2)进行多次操作,从而实现更好的聚类效果。本申请实施例对此不做限定。
S103:根据层次凝聚聚类的聚类结果,构建词汇树,并采用词汇树训练检测模型。
S104:根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定待检测图像中的目标与预设的安全隐患目标是否匹配。
服务器在完成对分类样本的层次凝聚聚类后,可根据可执行程序,采用聚类结果构建词汇树。具体的,聚类结果中的每个类别可形成一颗词汇树,其中,每个类别的最大范围作为根节点,每个特征数据点作为最底层的叶子节点。于是,在词汇树中,整个词汇树的对象之间并不是互斥关系,属于单个节点的子节点之间才是互斥关系。
如图4所示为聚类结果形成的词汇树示意图。在图4中,group3与group4分别表示一个类别,轿车与group1同属于grou3,汽车与工程车辆同属于group1的小类别。在group3中,汽车和工程车辆属于互斥关系,轿车和group1属于互斥关系。
服务器在构建完词汇树之后,可采用词汇树训练检测模型。具体的,在训练过程中,针对每个具体目标,服务器可从根节点开始向下遍历,在向下选择子节点时,从各子节点中选择概率最大的节点,直至到达叶子节点,则该叶子节点对应的类别为相应的目标对应的类别。
例如,如图4所示,一具体目标为某品牌汽车,在group3与group4中,该具体目标属于group3的概率为1,属于group4的概率为0,则服务器从根节点group3开始向下选择。在group3的子节点中,该具体目标属于轿车的概率为0,属于group1的概率为1,则服务器选择group1节点向下选择。在group1的子节点中,该具体目标属于汽车的概率为1,属于工程车辆的概率为0,则服务器最终到达的叶子节点汽车为该具体目标所属的类别。
服务器可通过训练好的检测模型,对输电线路的待检测图像进行目标检测,确定待检测图像中的目标是否属于预设的安全隐患目标。若属于,还可一并确定该安全隐患目标所属的安全隐患类别。
进一步地,服务器可同时采用训练数据与分类样本对检测模型进行训练。在训练检测模型的过程中,需对训练数据与分类样本均采用误差函数计算分类误差。但在计算训练数据的分类误差时,可对词汇树上的当前节点与所有根节点均进行计算,而在计算训练数据的分类误差时,可仅计算词汇树上的当前节点的分类误差。在计算分类误差时,具体可采用均方误差方法进行计算。采用这种方法,可增强检测模型的分类器的泛化性能。其中,训练数据指的是S101中提到的未经处理的原始图像,分类样本指的是根据训练数据的原始图像抠取出的具体目标。服务器可根据设定以及用户的需要,训练one stage或two stage结构的检测模型。
更进一步地,若在分类样本中,某一类别包含的分类样本的数量较少,可通过初步训练的检测模型,对未标注图像进行目标检测以及分类,并将获得的检测结果加入到分类样本数量较少的类别中,以平衡分类样本各类别之间的数量关系以及各类别所占的比例。通过这种方法,还可充分利用所有可以作为训练数据的图像,避免因图像未标注而不能利用,导致训练数据数量不足。
通过将目标单独抠取出来,作为分类样本,与训练数据一起训练检测模型的方法,可以实现快速扩充训练数据量的目的,还可以单独添加某些类别的样本,以减缓样本数量不平衡的问题。
在训练完成检测模型后,服务器可采用训练好的检测模型,对待检测图像进行目标检测,实现目标的定位、识别以及分类。
在本申请实施例中,服务器可先训练分类模型,采用分类模型提取分类样本的图像特征。之后,服务器可采用层次凝聚聚类方法,对提取出的图像特征进行层次聚类,根据聚类结果构建词汇树,并采用词汇树训练检测模型,以此实现对各种输电线路安全隐患的目标检测。
通过采用层次凝聚聚类方法对各分类样本进行类别的划分,这种类别划分方法,使得各分类样本之间并不构成必然的互斥关系,而是有交叉的层次关系。这样,检测模型在识别待检测图像时,针对具有一定相似度的目标,可充分学习并以交叉关系定位两者之间的关系,从而加强对相似目标进行分类的准确性。尤其应用在输电线路安全隐患检测方面,该方法可有效识别挖掘机、推土机等各种相似度较高的工程机械所属的安全隐患类别,根据不同类别的图像所具有的较小的区别特征,识别出不同类别的安全隐患问题,加强对各种不同安全隐患的区分以及检测力度,提高对输电线路安全隐患检测的准确性。
并且,使用层次凝聚聚类,不仅可以划分分类样本的不同类别层次,还可以对由于标注错误而造成的噪声目标进行过滤筛查,以加强检测模型对训练数据以及分类样本进行学习的准确性。
以上为本申请实施例提供的输电线路安全隐患检测方法,基于同样的发明思路,本申请实施例还提供了相应的输电线路安全隐患检测装置,如图5所示。
图5为本申请实施例提供的输电线路安全隐患检测装置结构示意图,具体包括:
提取模块501,根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;
聚类模块502,采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;
训练模块503,根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;
检测模块504,根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种输电线路安全隐患检测方法,其特征在于,包括:
根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;
采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;
根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;
根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配;
采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果,具体包括:
确定各输电线路图像的图像特征对应的特征数据点的向量维度;
基于每个特征数据点均作为一个类别的情况下,将距离最近的两个类别划分为一类,直至聚类完成,得到聚类结果;
其中,当所述两个类别均各自包括一个特征数据点时,根据欧式距离公式或余弦距离公式,计算两个类别之间的距离;
当所述两个类别均各自包括两个以上特征数据点时,根据平均连接方法,计算两个类别之间的距离;
将距离最近的两个类别划分为一类,直至聚类完成,得到聚类结果,具体包括:
根据预设阈值以及两个类别之间的距离,确定是否对所述两个类别进行聚类;
若所述两个类别之间的距离小于所述预设阈值,对所述两个类别进行聚类;
所述根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型,具体包括:
根据聚类结果中的每个类别,构建一颗词汇树;其中,每个类别的最大范围作为根节点,每个特征数据点作为最底层的叶子节点;
针对每个具体目标,从所述词汇树的根节点开始向下遍历,在向下选择子节点时,从各子节点中选择概率最大的节点,直至到达叶子节点,则所述叶子节点对应的类别为相应的具体目标所对应的类别,以训练检测模型;
分类模型通过以下方式获得:
根据预存的标注文件,获取训练数据中的相应目标,作为分类样本;其中,所述标注文件包括预设的输电线路安全隐患目标的特征、各输电线路安全隐患目标所属的类别;
按照预设比例,将分类样本划分为训练集与验证集,对分类模型进行训练,获得所述训练好的分类模型;
按照预设比例,将分类样本划分为训练集与验证集,具体包括:
根据预设类别,对分类样本进行分类,得到分属不同类别的分类样本;其中,所述预设类别包括导线异物、反光膜、挖掘机;
针对每个类别的分类样本,将该类别所包含的分类样本按照所述预设比例,划分为训练集与验证集。
2.根据权利要求1所述的方法,其特征在于,所述对分类模型进行训练,具体包括:
在分类模型的训练过程中,根据各类别所包含的分类样本的数量,确定对各类别进行采样时,各类别分别对应的采样率权重。
3.根据权利要求1所述的方法,其特征在于,对分类模型进行训练,具体包括:
在分类模型的训练过程中,采用预训练模型定义所述分类模型的初始参数;其中,所述初始参数包括类别数、学习速率、优化方法。
4.根据权利要求1所述的方法,其特征在于,采用所述词汇树训练检测模型,具体包括:
在训练检测模型的过程中,采用均方误差方法计算所述检测模型的各分类误差。
5.一种输电线路安全隐患检测装置,其特征在于,包括:
提取模块,根据预先训练好的分类模型的特征层,提取输电线路样本库中的多张分类样本的图像特征;其中,所述输电线路样本库包含多张输电线路图像;
聚类模块,采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果;
训练模块,根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型;
检测模块,根据训练好的检测模型,对输电线路的待检测图像进行目标检测,以确定所述待检测图像中的目标与预设的输电线路安全隐患目标是否匹配;
采用层次凝聚聚类方法,对提取到的图像特征进行聚类,得到聚类结果,具体包括:
所述聚类模块,确定各输电线路图像的图像特征对应的特征数据点的向量维度;
基于每个特征数据点均作为一个类别的情况下,将距离最近的两个类别划分为一类,直至聚类完成,得到聚类结果;
其中,当所述两个类别均各自包括一个特征数据点时,根据欧式距离公式或余弦距离公式,计算两个类别之间的距离;
当所述两个类别均各自包括两个以上特征数据点时,根据平均连接方法,计算两个类别之间的距离;
将距离最近的两个类别划分为一类,直至聚类完成,得到聚类结果,具体包括:
所述聚类模块,根据预设阈值以及两个类别之间的距离,确定是否对所述两个类别进行聚类;
若所述两个类别之间的距离小于所述预设阈值,对所述两个类别进行聚类;
所述根据所述聚类结果,构建词汇树,并采用所述词汇树训练检测模型,具体包括:
所述训练模块,根据聚类结果中的每个类别,构建一颗词汇树;其中,每个类别的最大范围作为根节点,每个特征数据点作为最底层的叶子节点;
针对每个具体目标,从所述词汇树的根节点开始向下遍历,在向下选择子节点时,从各子节点中选择概率最大的节点,直至到达叶子节点,则所述叶子节点对应的类别为相应的具体目标所对应的类别,以训练检测模型;
分类模型通过以下方式获得:
所述提取模块,根据预存的标注文件,获取训练数据中的相应目标,作为分类样本;其中,所述标注文件包括预设的输电线路安全隐患目标的特征、各输电线路安全隐患目标所属的类别;
按照预设比例,将分类样本划分为训练集与验证集,对分类模型进行训练,获得所述训练好的分类模型;
按照预设比例,将分类样本划分为训练集与验证集,具体包括:
所述提取模块,根据预设类别,对分类样本进行分类,得到分属不同类别的分类样本;其中,所述预设类别包括导线异物、反光膜、挖掘机;
针对每个类别的分类样本,将该类别所包含的分类样本按照所述预设比例,划分为训练集与验证集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911078258.2A CN112784632B (zh) | 2019-11-06 | 2019-11-06 | 一种输电线路安全隐患检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911078258.2A CN112784632B (zh) | 2019-11-06 | 2019-11-06 | 一种输电线路安全隐患检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784632A CN112784632A (zh) | 2021-05-11 |
CN112784632B true CN112784632B (zh) | 2023-05-30 |
Family
ID=75747536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911078258.2A Active CN112784632B (zh) | 2019-11-06 | 2019-11-06 | 一种输电线路安全隐患检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784632B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN109977921A (zh) * | 2019-04-11 | 2019-07-05 | 广东电网有限责任公司 | 一种输电线路隐患检测方法 |
CN110349148A (zh) * | 2019-07-11 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习的图像目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2014DN03386A (zh) * | 2011-10-19 | 2015-06-05 | Univ Sydney |
-
2019
- 2019-11-06 CN CN201911078258.2A patent/CN112784632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776856A (zh) * | 2016-11-29 | 2017-05-31 | 江南大学 | 一种融合颜色特征与词汇树的车辆图像检索方法 |
CN109977921A (zh) * | 2019-04-11 | 2019-07-05 | 广东电网有限责任公司 | 一种输电线路隐患检测方法 |
CN110349148A (zh) * | 2019-07-11 | 2019-10-18 | 电子科技大学 | 一种基于弱监督学习的图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112784632A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574550A (zh) | 一种车辆识别方法及装置 | |
WO2017075939A1 (zh) | 一种图像内容识别方法及装置 | |
CN108182433B (zh) | 一种表计读数识别方法及系统 | |
CN109002834B (zh) | 基于多模态表征的细粒度图像分类方法 | |
CN110399800B (zh) | 基于深度学习vgg16框架的车牌检测方法及系统、存储介质 | |
Yue et al. | Robust loop closure detection based on bag of superpoints and graph verification | |
CN102622607A (zh) | 一种基于多特征融合的遥感图像分类方法 | |
CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN111046910A (zh) | 图像分类、关系网络模型训练、图像标注方法及装置 | |
CN112507778B (zh) | 一种基于线特征的改进词袋模型的回环检测方法 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN112528845A (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
Bai et al. | Classify vehicles in traffic scene images with deformable part-based models | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN114037912A (zh) | 遥感图像的变化检测方法、装置及计算机可读存储介质 | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
Zhao et al. | Hybrid generative/discriminative scene classification strategy based on latent Dirichlet allocation for high spatial resolution remote sensing imagery | |
CN112784632B (zh) | 一种输电线路安全隐患检测方法及装置 | |
CN110942073A (zh) | 一种集装箱拖车编号识别方法、装置和计算机设备 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 | |
Sun et al. | Contextual models for automatic building extraction in high resolution remote sensing image using object-based boosting method | |
CN115376025B (zh) | 一种无人机目标检测方法、系统、设备及存储介质 | |
CN112699908A (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |