CN113065598A - 一种绝缘子识别模型的获取方法、装置及计算机设备 - Google Patents

Abstract

本发明提供一种绝缘子识别模型的获取方法、装置及计算机设备。该绝缘子自爆程度识别模型的获取方法包括：首先获取包含绝缘子元素的初始样本图像，然后将初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，第二训练样本集合包含不同自爆程度的绝缘子图像。再基于第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。本发明可以检测出绝缘子串中存在的自爆区域及整个绝缘子串中包含的自爆缺陷数，从而完成绝缘子自爆程度识别。

Description

一种绝缘子识别模型的获取方法、装置及计算机设备

技术领域

本发明涉及图像处理领域，尤其涉及一种绝缘子识别模型的获取方法、装置及计算机设备。

背景技术

电力作为当前不可或缺的重要能源，在人们日常生活中扮演着重要角色。输电线路是重要的电力运输载体，保障其正常运行对整个输电网络的安全尤为重要。绝缘子因为其独特的电气绝缘性能和对线路的支撑固定作用，广泛应用于输电线路中。玻璃绝缘子凭借“零值自爆”的特点，便于运维人员快速准确的确定玻璃绝缘子缺陷位置，成为了主流使用的绝缘子种类。

玻璃绝缘子会由于其内部因素玻璃材质质量问题或外力因素造成“零值自爆”，而玻璃绝缘子自爆会对整个输电线路的安全运行造成影响，导致相应的输电线路故障。因此识别输电线路玻璃绝缘子自爆程度，即单个自爆区域玻璃绝缘子自爆片数，是维护整个输电线路安全运行的重要运维环节。

随着无人机技术的发展，电力巡检部门开始利用无人机承担输电线路巡检任务。目前，基于航拍图像的绝缘子自爆检测方法中，应用较广的是深度学习法。从实现步骤上来看，深度学习法有目标检测和语义分割两大类。目标检测算法以Faster R-CNN为代表的双阶段方法和SSD，YOLO等为代表的单阶段方法。双阶段方法将目标检测分为特征提取和分类两个步骤，具有高精度和无法满足实时性的特点；单阶段方法主要思想是将目标检测问题视为回归问题，直接给出预测位置和类别，在保证较高精度的同时满足了实时性要求；语义分割算法可以很好地获取目标边界信息，去除背景干扰，虽然有利于后续的缺陷精准定位，但是无法保证目标分割的完整性。

所以，当前对于绝缘子的相关研究侧重于缺陷检测和实时性等方面，较少涉及和考虑小样本数据问题和自爆程度。

发明内容

为了解决上述技术问题，本发明提供了一种绝缘子识别模型的获取方法及装置，具体方案如下：

第一方面，本申请实施例提供了一种绝缘子识别模型的获取方法，所述方法包括：

获取包含绝缘子元素的初始样本图像；

将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，所述第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包括不同自爆程度的绝缘子元素的样本图像；

基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

根据本申请公开的一种具体实施方式，所述将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合的步骤，包括：

从所述初始样本图像中提取绝缘子元素的绝缘子片元素和瓷器元素；

根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和自爆缺陷数量的绝缘子串；

根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合，其中，所述预处理集合包含不同自爆缺陷位置和数量的绝缘子串的图像；

将预处理集合进行数据扩充，得到所述第一训练样本集合和所述第二训练样本集合。

根据本申请公开的一种具体实施方式，所述根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和自爆缺陷数量的绝缘子串的步骤包括：

将N个所述瓷器元素串联成缺陷绝缘子串，其中，所述缺陷绝缘子串包含N-1个缺陷位置，N为正整数；

将M个所述绝缘子片元素随机插入所述缺陷位置，得到不同自爆缺陷位置和数量的绝缘子串，M为正整数，M≤N-1。

根据本申请公开的一种具体实施方式，所述根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合的步骤，包括：

根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到每个调整后的初始样本图像的自爆程度，其中，所述自爆缺陷的数量与自爆程度成正相关；

根据调整后的全部初始样本图像及标注数据生成预处理集合，其中，调整后的初始样本图像的标注数据包含自爆程度、绝缘子串区域、自爆区域及各自爆区域包含的自爆缺陷区域及自爆程度。

根据本申请公开的一种具体实施方式，所述得到每个调整后的初始样本图像的自爆程度的步骤，包括：

根据所述调整后的初始样本图像中的绝缘子串包含的自爆区域和所述自爆缺陷区域之间交集和并集的比值，判断每个所述自爆缺陷所属的自爆区域；

基于每个所述绝缘子串中每个自爆区域包含的自爆缺陷数目，计算调整后的初始样本图像中的绝缘子的自爆程度。

根据本申请公开的一种具体实施方式，所述将预处理集合进行数据扩充的方式，包括以下至少一种：

对预处理集合中各图像的像素点进行色度值变换的扩充方式；

对预处理集合中各图像的像素点进行亮度变换的扩充方式；

对预处理集合中各图像进行空间变换的扩充方式。

根据本申请公开的一种具体实施方式，所述绝缘子元素识别模型/绝缘子自爆程度识别模型的训练步骤，包括：

基于深度学习算法构建基础识别模型；

基于所述第一/第二训练样本集合对所述基础识别模型进行训练，并保存每次模型训练生成的权重文件；

将平均精度均值最高的权重文件对应的所述基础识别模型作为所述绝缘子元素识别模型/绝缘子自爆程度识别模型。

根据本申请公开的一种具体实施方式，所述方法还包括：

将待预测图像输入绝缘子元素识别模型，得到待预测图像的绝缘子元素检测结果，其中，绝缘子元素检测结果为包含绝缘子串和不含绝缘子串中的至少一种，所述绝缘子串包括至少一个绝缘子元素；

若所述检测结果为包含绝缘子串，利用绝缘子自爆程度识别模型对所述待预测图像中的绝缘子串进行自爆程度识别，得到所述待预测图像的绝缘子自爆程度识别结果。

第二方面，本申请实施例提供了一种绝缘子识别模型的获取装置，所述装置包括：

获取模块，用于获取包含绝缘子元素的初始样本图像；

扩充模块，用于将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包含不同自爆程度的绝缘子图像；

训练模块，用于基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

第三方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上执行时实现第一方面中任一项实施例所述的方法。

第四方面，本申请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存储有计算机程序，所述计算机程序在处理器上执行时实现第一方面中任一项实施例所述的方法。

相对于现有技术而言，本申请具有以下有益效果：

本申请首先获取包含绝缘子元素的初始样本图像，然后将初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，第二训练样本集合包含不同自爆程度的绝缘子图像。再基于第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。本申请可以在较少样本数据的基础上，通过将初始样本图像进行数据扩充，得到较大数量且全面的训练样本。此外，本申请可以基于训练好的绝缘子元素识别模型和绝缘子自爆程度识别模型，检测出绝缘子串中存在的自爆区域及整个绝缘子串中包含的自爆缺陷数，从而完成玻璃绝缘子自爆程度识别。从而在小样本数据情况下对绝缘子自爆程度进行有效识别，提高输电线路巡检效率，保证输电线路的安全运行。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1为本申请实施例提供的一种绝缘子识别模型的获取方法的流程示意图；

图2为本申请实施例提供的一种绝缘子识别模型的获取方法所涉及的绝缘子元素的结构示意图；

图3为本申请实施例提供的一种绝缘子识别模型的获取方法所涉及的构建绝缘子串自爆程度的效果示意图；

图4为本申请实施例提供的一种绝缘子识别模型的获取方法所涉及的图像坐标点旋转的示例图；

图5为本申请实施例提供的一种绝缘子识别模型的获取装置的模块框图。

附图标记汇总：

200-绝缘子元素；

201-绝缘子片元素；

202-瓷器元素；

301-全为缺陷的绝缘子串；

302-随机嵌入绝缘子片。

具体实施方式

下面将结合本发明实施例中附图，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。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互结合。

参见图1，为本申请实施例提供的一种绝缘子识别模型的获取方法的流程示意图，如图1所示，所述方法主要包括：

步骤S101，获取包含绝缘子元素的初始样本图像。

近年来，随着无人机技术的发展，电力巡检部门开始利用无人机承担输电线路巡检任务。具体实施时，可以利用无人机对输电线路的绝缘子图像进行收集，形成初始样本图像。其中，初始样本数据可以仅包含较少数量的绝缘子元素图像。

步骤S102，将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，所述第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包含不同自爆程度的绝缘子图像。

由于无人机进行输电线路巡检时所拍摄的图像分辨率较高，造成自爆区域过小，导致获取到的初始样本图像无法充分表现各类自爆程度。因此，通过扩充初始样本图像以及构建绝缘子部件不同自爆程度的图像来进行模型训练，实现在较少样本数据集，即小样数据集的情况下对绝缘子自爆程度进行有效识别，提高输电线路巡检效率，保证输电线路的安全运行。

其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，用于对后续的基础识别模型进行训练，以得到绝缘子元素识别模型。第二训练样本集合包含不同自爆程度的绝缘子图像，用于对后续的基础识别模型进行训练，以得到绝缘子自爆程度识别模型。

具体实施时，所述将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合的步骤，包括：

从所述初始样本图像中提取绝缘子元素的绝缘子片元素和瓷器元素；

根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和数量的绝缘子串；

根据所述不同自爆缺陷位置和数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合，其中，所述预处理集合包含不同自爆缺陷位置和数量的绝缘子串的图像；

将预处理集合进行数据扩充，得到第一训练样本集合和第二训练样本集合。

由于在初始样本图像的获取过程中，无法将不同绝缘子连续自爆片数拍摄采集得到。因此为了能够让训练得到的各模型能力更加泛化、精确度更高，本发明提出基于绝缘子部件自爆程度构建及数据生成方法。该方法充分利用绝缘子元素的部件特征，将绝缘子进行串联，形成新的绝缘子串，并通过背景融合技术将构建的绝缘子串融合到初始样本图像中，可以得到预处理集合，其中，预处理集合包含不同自爆缺陷位置和数量的绝缘子串的图像。

然后将预处理集合进行数据扩充，得到用于训练绝缘子元素识别模型的第一训练样本集合和用于训练绝缘子自爆程度识别模型的第二训练样本集合。

可以将扩充后的预处理集合中包含的绝缘子串图像区域进行截取并保存，得到第一训练样本集合，其中，绝缘子串图像区域可以仅包含一个绝缘子元素。可以在第一训练样本集合的基础上，将第一训练样本集合中包含的自爆缺陷位置和自爆缺陷数量数据进行转换，以第二训练样本集合。

如图2所示，图2为本申请实施例提供的一种绝缘子识别模型的获取方法所涉及的绝缘子元素的结构示意图，分别描述了绝缘子元素200的瓷器元素201和绝缘子片元素202。通过对采集到的某一真实样例图像包含的绝缘子元素200进行像素分割，获得绝缘子元素掩模图。

具体实施时，所述根据所述瓷器元素201和所述绝缘子片元素202生成不同自爆缺陷位置和数量的绝缘子串的步骤包括：

将N个所述瓷器元素串联成缺陷绝缘子串，所述缺陷绝缘子串包含N-1个缺陷位置，N为正整数；

将M个所述绝缘子片元素随机插入所述缺陷位置，得到不同自爆缺陷位置和数量的绝缘子串，M为正整数，M≤N-1。

如图3所示，图3为本申请实施例提供的一种绝缘子识别模型的获取方法所涉及的构建绝缘子串自爆程度的效果示意图。通过多个绝缘子瓷器元素201串联组成一串全为缺陷的绝缘子串301，然后将绝缘子片元素随机嵌入缺陷标位置处，从而模拟形成不同绝缘子连续自爆片数的绝缘子串302，完成基于绝缘子元素的自爆程度构建。

具体实施时，所述根据所述不同自爆缺陷位置和数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合的步骤，包括：

根据所述不同自爆缺陷位置和数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到每个调整后的初始样本图像的自爆程度，其中，所述自爆缺陷的数量与自爆程度成正相关；

根据调整后的全部初始样本图像及标注数据生成预处理集合，其中，调整后的初始样本图像的标注数据包含绝缘子串区域、自爆区域及所述自爆区域包含的自爆缺陷区域及自爆程度。

可以将获取的小样本输电线路绝缘子样本数据集，即初始样本图像作为背景图像，通过图像背景融合技术将构建的绝缘子串302融合到背景图像的随机位置，形成预处理集合。对该预处理集合进行绝缘子标注,标注类型包括绝缘子矩形位置、整体自爆区域矩形位置及该整体自爆区域对应的各自爆缺陷的矩形位置。然后将包含对应标注文件的预处理集合作为数据扩充的原始数据集。

具体实施时，所述得到每个调整后的初始样本图像的自爆程度的步骤，包括：

将调整后的初始样本图像中的绝缘子串输入所述绝缘子自爆程度识别模型中，得到所述绝缘子串包含的自爆区域和自爆缺陷区域；

根据所述自爆区域和所述自爆缺陷区域之间交集和并集的比值，判断每个所述自爆缺陷所属的自爆区域；

基于每个所述绝缘子串中每个自爆区域包含的自爆缺陷数目，计算调整后的初始样本图像中的绝缘子的自爆程度。

可以根据绝缘子串中自爆区域和自爆缺陷区域面积之间的交并比(Intersectionover Union，简称IOU)判别自爆缺陷归属于哪一个绝缘子串的自爆区域，最后统计每个绝缘子串自爆区域中所拥有的自爆缺陷数，输出各绝缘子串中存在的自爆区域位置及其自爆缺陷数，从而完成玻璃绝缘子自爆程度识别。

具体实施时，所述将预处理集合进行数据扩充的方式，包括以下至少一种：

对预处理集合中各图像的像素点进行色度值变换的扩充方式；

对预处理集合中各图像的像素点进行亮度变换的扩充方式；

对预处理集合中各图像进行空间变换的扩充方式。

其中，对预处理集合中各图像的像素点进行色度值变换的扩充方式可以采用色调、饱和度和明度(Hue，Saturation，Value，简称HSV)色域变换法或者主成分分析法(Principal Component Analysis，简称PCA)。

色域变换操作是将图像从RGB转换到HSV颜色空间，分别调整H，S，V通道的值，以实现颜色、深浅、明暗的变化。其中，RGB转HSV的计算公式为：

R′＝R/255

G′＝G/255

B′＝B/255

C_max＝max(R′，G′，B′)

C_min＝min(R′，G′，B′)

Δ＝C_max-C_min

其中，R′、G′、B′、C_max、C_min和Δ均为计算H，S和V通道值的中间参考量。

H分量计算公式如下：

S分量计算公式如下：

V分量计算公式如下：

V＝C_max

然后随机产生3个变量hue，sat，val分别对转换得到的H，S，V分量值进行修改，其中，H′分量的计算方式为：

H′＝H+hue×360

S′分量的计算方式为：

S′＝S×sat

V′分量的计算方式为：

V′＝V×val

将上式中的色阈变换后的各分量重新转为RGB图像形成新的样本数据并重命名保存。由于该步骤仅对图像像素做了相关改变，因此直接拷贝先前原始数据的标注信息即可。

主成分分析法是先对所有RGB像素值做PCA得到特征向量和特征值，然后根据特征向量和特征值计算一组随机值将其作为扰动加入原像素值。其计算过程如下：

δ＝[p₁，p₂，p₃][α₁λ₁，α₂λ₂，α₃λ₃]^T

g(x，y)＝f(x，y)+δ

其中，δ为计算得到的三维向量，[p₁,p₂,p₃]表示图像的特征矩阵，λ₁、λ₂和λ₃分别为特征向量对应的特征值，α为服从均值为0、均方差为0.1的正态分布的随机参数。g(x,y)表示原始图像的每个R,G,B值加上δ的对应元素得到目标图像。

对于同一图像的不同位置和不同颜色通道，α均采用同一个随机变量。由于该步骤未对图像目标位置做出改变，因此可直接拷贝先前数据的标注信息。

对预处理集合中各图像的像素点进行亮度变换的扩充方式是通过改变图像整体的亮度和对比度，调节图像的明暗变化，以模拟不同光照条件采集到的图像。

通过亮度变换可以简单地模拟视觉系统在不同照明条件下采集的图像，实现方式采用对图像的像素值，改变图像的整体亮度表现，其计算公式为:

g(x，y)＝max[u(x，y)+Δ，255]

其中，u(x,y)表示图像的原始像素值，Δ表示亮度调整参数，max表示结果值大于255的像素，取其像素值为255。由于该步骤仅对图像亮度做了相关改变，因此可直接拷贝原始数据的标注信息。

对预处理集合中各图像进行空间变换的扩充方式主要通过缩放、翻转、平移、裁剪、旋转等方式实现。本发明采用旋转和镜像的方式实现图像中目标位置的对称式扩充，通过缩放方式实现目标尺度变换。缩放、平移和裁剪方式，在数据生成阶段不破坏数据的原本形式，仅提供更多尺度和样式的图像。镜像翻转可以改变目标在图像中的位置以及其局部的方向性特征。本发明采用水平、垂直和对角镜像翻转的形式进行数据扩充。另外，本发明拟采用旋转图像的方法，该方式可以改变绝缘子在图像中的方向。由于绝缘子在图像中水平和垂直呈现时其绑定框的长宽比例样式不一，通过旋转方式可以很大丰富数据集中目标检测框的样式，从而达到丰富数据类型的目的。

水平镜像翻转是将图像以图像垂直中轴线为中心，将图像分为左右两部分并进行对换，设图像原始宽高分别为width,height,对换后像素坐标(x₀,y₀)变为(x,y)，计算公式如下：

x＝width-x₀-1

y＝y₀

垂直镜像翻转是将图像以图像水平中轴线为中心，将图像分为上下两部分并进行对换，设图像原始宽高分别为width,height,对换后像素坐标(x₀,y₀)变为(x,y)，计算公式如下：

x＝x₀

y＝height-y₀-1

对角镜像翻转是将图像水平和垂直中轴线的交点作为镜像对换的中心，设图像原始宽高分别为width，height，对换后像素坐标(x₀，y₀)变为(x，y)，计算公式如下：

x＝width-x₀-1

y＝height-y₀-1

上述三种翻转方式可能会对图像坐标做出改变，因此需要根据坐标计算公式将原始数据的标注信息进行转换并根据翻转方式解析获得旋转后图像的标注文件信息。例如，可以将扩充后得到的第一训练样本集合中，所有玻璃绝缘子目标区域进行截取并保存为相关绝缘子目标样本数据，然后根据截取后绝缘子串自爆目标区域及自爆区域对应的各自爆缺陷标注信息进行转换，形成第一训练样本集合。

图像旋转的一般过程为：

将原始图像的坐标系转换为数学坐标系；

通过图像旋转坐标转换公式对图像坐标进行旋转；

将旋转后的数学坐标系转换为图像坐标系，获得最终旋转后的图像。

坐标系中某一点的旋转需要设定旋转角度和旋转方向，如图4所示，图中原始坐标点(X₀，Y₀)经过顺时针旋转θ角后得到转换后的坐标点(X，Y)。旋转坐标转换公式如下：

X₀＝R cosα

Y₀＝R sinα

X＝R cos(α-θ)＝R cosαcosθ+R sinαsinθ＝X₀cosθ+Y₀sinθ

Y＝R sin(α-θ)＝R sinαcosθ-R cosαsinθ＝Y₀cosθ-X₀sinθ

进而得到：

由于在进行图像旋转时，在确定图像旋转的大小后获得旋转后的图像区域，此时需要将旋转后的图像区域的每一个坐标点对应到原图上的坐标点并获得原图上该坐标点上的像素数据，此时需要进行逆Y运算操作，计算公式如下：

对应所得逆运算矩阵为：

以上描述了图像旋转坐标转换公式整个过程，对于图像旋转任务而言，还需要进行坐标系转换。由于图像是以左上角为原点，因此首先需要将图像原点转移到图像中心，垂直方向的Y轴需要翻转，旋转过程中一般将旋转中心为坐标原点的数学坐标系。设定图像的高和宽分别为H，W，则图像坐标(X₀，Y₀)与数学坐标(X，Y)的关系为：

X＝X₀-0.5W

Y＝-Y₀+0.5H

对应矩阵运算为：

所对应的逆运算和逆运算矩阵分别为：

X₀＝X+0.5W

Y₀＝-Y+0.5H

经过上述将原图像坐标转为数学坐标后，还需要进行数学坐标转换为旋转后的新图像的图像坐标。其转换公式为：

X＝X₀+0.5W′

Y＝-Y₀+0.5H′

其中，W′和H′分别为旋转后得到的图像宽和高，其计算可由旋转后四个顶点坐标解析获得，对应矩阵运算为：

所对应的逆运算和逆运算矩阵分别为：

X₀＝X-0.5W′

Y₀＝-Y+0.5H′

综上所述，便可获得图像旋转的矩阵描述为：

相应的将目标区域坐标点对应至原图像中的坐标点需要进行以上逆运算，计算如下：

通过以上步骤便可完成对图像的任意角度旋转，保存旋转后的图像。由于上述步骤将会对图像坐标做出改变，因此需要根据坐标转换公式将原始数据的标注信息进行转换并根据旋转角度解析获得旋转后图像的标注信息。

图像缩放是将图像的尺寸进行缩小或放大的过程，即对原始图像像素个数减少或增加。对于图像而言，水平和垂直方向上一般采用同一缩放比例，设像素坐标(x₀,y₀)通过缩放因子δ变为(x,y)，其坐标映射关系为：

x＝[x₀×δ]

y＝[y₀×δ]

该步骤将会对图像坐标做出改变，因此需要根据坐标映射关系将原始数据的标注信息进行转换并根据旋转角度解析获得缩放后图像的标注信息。

具体实施时，各类扩充方式可以单独使用也可以进行组合使用，例如：

颜色变换：HSV色域变换4次、PCA变换4次；

亮度变换2次，Δ分别取值-75、75；

空间变换：水平、垂直和对角镜像翻转各1次，顺时针图像旋转90度1次，图像缩放1/2，1/4倍各1次。

步骤S103，基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

基于第一训练样本集合和第二训练样本集合进行模型训练，可以对绝缘子位置和自爆程度依次检测识别。最终实现在小样本数据集情况下对玻璃绝缘子自爆程度进行有效识别，提高输电线路巡检效率，保证输电线路的安全运行。

具体实施时，所述绝缘子元素识别模型/绝缘子自爆程度识别模型的训练步骤，包括：

基于深度学习算法构建基础识别模型；

基于所述第一/第二训练样本集合对所述基础识别模型进行训练，并保存每次模型训练生成的权重文件；

将平均精度均值最高的权重文件对应的所述基础识别模型作为所述绝缘子元素识别模型/绝缘子自爆程度识别模型。

具体实施时，可以将所述训练样本集合按照9:1比例划分为训练集和验证集，然后依次进行以下步骤：

(1)基于深度学习算法构建基础识别模型。

(2)基于训练样本集合，训练构建好的模型并选用适当的优化方法。设计目标检测的损失函数。设置初始学习率、批大小、迭代次数等参数。

(3)开始模型训练，并保存每个迭代生成的权重文件。

(4)模型权重评估。首先排除训练初期损失值较高的模型，例如：筛选出loss最低的5个权重。然后从剩余的模型中选取平均精度均值最高的权重文件对应的基础识别模型作为最终使用的绝缘子元素识别模型或者绝缘子自爆程度识别模型。

除上述模型的训练方法，本申请还保护上述各步骤对应的使用方法，所述方法还包括：

将待预测图像输入绝缘子元素识别模型，得到待预测图像的绝缘子元素检测结果，绝缘子元素检测结果为包含绝缘子串和不含绝缘子串中的至少一种，所述绝缘子串包括至少一个绝缘子元素；

若所述检测结果为包含绝缘子串，利用绝缘子自爆程度识别模型对所述待预测图像中的绝缘子串进行自爆程度识别，得到所述待预测图像的绝缘子自爆程度识别结果。

本发明提供的绝缘子识别模型的获取方法，通过对获取的小样本数据集合进行扩充，并对绝缘子位置和自爆程度依次检测识别。最终实现在小样本数据集情况下对玻璃绝缘子自爆程度进行有效识别，提高输电线路巡检效率，保证输电线路的安全运行。

与上述方法实施例相对应，参见图5，本发明还提供一种绝缘子识别模型的获取装置500，所述绝缘子识别模型的获取装置500包括：

获取模块501，用于获取包含绝缘子元素的初始样本图像；

扩充模块502，用于将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包括不同自爆程度的绝缘子元素的样本图像；

训练模块503，用于基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

此外，还提供一种计算机设备，计算机设备包括处理器和存储器，存储器存储有计算机程序，计算机程序在处理器上执行时实现上述绝缘子识别模型的获取方法。

此外，还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序在处理器上执行时实现上述绝缘子识别模型的获取方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种绝缘子识别模型的获取方法，其特征在于，所述方法包括：

获取包含绝缘子元素的初始样本图像；

将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，所述第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包括不同自爆程度的绝缘子元素的样本图像；

基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合的步骤，包括：

从所述初始样本图像中提取绝缘子元素的绝缘子片元素和瓷器元素；

根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和数量的绝缘子串；

根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合，其中，所述预处理集合包含不同自爆缺陷位置和数量的绝缘子串的图像；

将预处理集合进行数据扩充，得到所述第一训练样本集合和所述第二训练样本集合。

3.根据权利要求2所述的方法，其特征在于，所述根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和自爆缺陷数量数量的绝缘子串的步骤包括：

将N个所述瓷器元素串联成缺陷绝缘子串，其中，所述缺陷绝缘子串包含N-1个缺陷位置，N为正整数；

将M个所述绝缘子片元素随机插入所述缺陷位置，得到不同自爆缺陷位置和数量的绝缘子串，M为正整数，M≤N-1。

4.根据权利要求2所述的方法，其特征在于，所述根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合的步骤，包括：

根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到每个调整后的初始样本图像的自爆程度，其中，所述自爆缺陷的数量与自爆程度成正相关；

根据调整后的全部初始样本图像及标注数据生成预处理集合，其中，调整后的初始样本图像的标注数据包含自爆程度、绝缘子串区域、自爆区域及各自爆区域包含的自爆缺陷区域。

5.根据权利要求4所述的方法，其特征在于，所述得到每个调整后的初始样本图像的自爆程度的步骤，包括：

根据调整后的初始样本图像中的绝缘子串包含的自爆区域和各自爆缺陷区域之间交集和并集的比值，判断每个所述自爆缺陷所属的自爆区域；

基于每个所述绝缘子串中每个自爆区域包含的自爆缺陷数目，计算调整后的初始样本图像中的绝缘子的自爆程度。

6.根据权利要求2所述的方法，其特征在于，所述将预处理集合进行数据扩充的方式，包括以下至少一种：

对预处理集合中各图像的像素点进行色度值变换的扩充方式；

对预处理集合中各图像的像素点进行亮度变换的扩充方式；

对预处理集合中各图像进行空间变换的扩充方式。

7.根据权利要求1所述的方法，其特征在于，所述绝缘子元素识别模型/绝缘子自爆程度识别模型的训练步骤，包括：

基于深度学习算法构建基础识别模型；

基于所述第一/第二训练样本集合对所述基础识别模型进行训练，并保存每次模型训练生成的权重文件；

将平均精度均值最高的权重文件对应的所述基础识别模型作为所述绝缘子元素识别模型/绝缘子自爆程度识别模型。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：

将待预测图像输入绝缘子元素识别模型，得到待预测图像的绝缘子元素检测结果，其中，绝缘子元素检测结果为包含绝缘子串和不含绝缘子串中的至少一种，所述绝缘子串包括至少一个绝缘子元素；

若所述检测结果为包含绝缘子串，利用绝缘子自爆程度识别模型对所述待预测图像中的绝缘子串进行自爆程度识别，得到所述待预测图像的绝缘子自爆程度识别结果。

9.一种绝缘子识别模型的获取装置，其特征在于，所述装置包括：

获取模块，用于获取包含绝缘子元素的初始样本图像；

扩充模块，用于将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包含不同自爆程度的绝缘子图像；

训练模块，用于基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上执行时实现权利要求1至8中任一项所述的绝缘子识别模型的获取方法。

Images