CN113192065A - 输电线路图像的处理方法、便携式设备及用户终端 - Google Patents

Abstract

本申请公开了一种输电线路图像的处理方法、便携式设备及用户终端，涉及电力通信技术领域，可以通过便携式设备对输电线路图像进行处理，与现有技术相比，无需将输电线路图像回传至云平台服务器，从而可以提高得到输电线路图像分析结果的实时性。该方法包括：便携式设备接收用户终端发送的目标场景的场景类型和待处理输电线路图像；然后从深度训练模型库中确定与场景类型对应的目标深度训练模型；深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系；之后，基于目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。其中，便携式设备与用户终端连接。

Description

输电线路图像的处理方法、便携式设备及用户终端

技术领域

本申请实施例涉及电力通信技术领域，尤其涉及一种输电线路图像的处理方法、便携式设备及用户终端。

背景技术

为了确保电网中输电线路安全可靠运行，需要定期对输电线路进行巡检。目前在变电站设置有不同类型的视频图像终端，如视频环境监控系统、巡视机器人、巡检无人机、直升机等。可以通过定期对这些视频图像终端采集到的输电线路图像进行处理，实现巡检。随着输电线路的覆盖范围越来越广泛，目前有很多输电线路设置在远离城镇的偏远地区。所以，现有的，一般由本地的边缘服务器将视频图像终端采集到的输电线路图像回传至云平台，由云平台服务器对输电线路图像进行分析。

然而，由于信号强度、传输带宽以及流量成本等多种因素的影响，现有将输电线路图像回传至云平台的速度较慢且不稳定，影响了得到输电线路图像分析结果的实时性，导致巡检人员无法及时排查出输电线路的各种缺陷。

发明内容

本申请提供一种输电线路图像的处理方法、便携式设备及用户终端，可以通过便携式设备对输电线路图像进行处理，无需将输电线路图像回传至云平台服务器，从而可以提高得到输电线路图像分析结果的实时性。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种输电线路图像的处理方法，该方法可以应用于便携式设备，该方法可以包括：接收用户终端发送的目标场景的场景类型和待处理输电线路图像；然后从深度训练模型库中确定与场景类型对应的目标深度训练模型；深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系；之后基于目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。其中，便携式设备与用户终端连接。

本申请提供的技术方案中，由于便携式设备中包含有深度训练模型库，深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系。所以，在便携式设备与用户终端连接的情况下，便携式设备可以接收用户终端发送的目标场景的场景类型和待处理输电线路图像，然后从深度训练模型库中确定出与场景类型对应的目标深度训练模型，并采用该模型对待处理输电线路图像进行处理。可以看出，在本申请提供的技术方案中，通过将深度训练模型库部署在便携式设备中，这样，无需将待处理输电线路图像回传至远程的云平台服务器，便携式设备即可以对待处理输电线路图像进行处理，在本地就可以得到待处理输电线路图像的处理结果。因此本申请可以提高得到输电线路图像分析结果的实时性，从而使得巡检人员可以及时排查出输电线路的各种缺陷，确保输电线路安全。

可选的，在一种可能的设计方式中，上述“场景类型”可以为鸟巢异物检测、螺栓锈蚀检测和玻璃绝缘子自爆检测中的任意一种。

可选的，在另一种可能的设计方式中，便携式设备设置有通用串行总线USB接口，便携式设备通过USB接口与用户终端连接。

可选的，在另一种可能的设计方式中，本申请提供的输电线路图像的处理方法还包括通过以下方式训练目标深度训练模型：

根据目标场景的场景类型，从第二对应关系中确定训练集中样本图像的图像特征和处理方式；图像特征包括图像数量、图像大小、图像采集角度以及图像曝光度中的至少一种；处理方式包括标注方式、检测目标以及检测属性；第二对应关系包括场景类型、图像特征以及处理方式三者的对应关系；

根据图像特征从历史输电线路图像进行筛选，得到样本图像；

基于处理方式对样本图像进行处理，得到样本图像的处理结果；

根据样本图像和样本图像的处理结果，训练得到目标深度训练模型。

第二方面，本申请提供一种输电线路图像的处理方法，该方法可以应用于用户终端，该方法可以包括：向便携式设备发送目标场景的场景类型和待处理输电线路图像；之后，便携式设备。其中，便携式设备与用户终端连接；处理结果为便携式设备根据目标深度训练模型对待处理输电线路图像进行处理得到；目标深度训练模型与场景类型对应。

由于便携式设备可以根据与目标场景的场景类型对应的目标深度训练模型对待处理输电线路图像进行处理，所以用户终端可以直接从便携式设备获取对于待处理输电线路图像的处理结果。这样，用户终端不用再将待处理输电线路图像回传至远程的云平台服务器，在本地就可以得到待处理输电线路图像的处理结果。因此，本申请可以提高得到输电线路图像分析结果的实时性。

第三方面，本申请提供一种便携式设备，包括：接收模块、确定模块和处理模块；

接收模块，用于接收用户终端发送的目标场景的场景类型和待处理输电线路图像；便携式设备与用户终端连接；

确定模块，用于从深度训练模型库中确定与接收模块接收到的场景类型对应的目标深度训练模型；深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系；

处理模块，用于基于确定模块确定的目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。

可选的，在一种可能的设计方式中，上述“场景类型”可以为鸟巢异物检测、螺栓锈蚀检测和玻璃绝缘子自爆检测中的任意一种。

可选的，在另一种可能的设计方式中，便携式设备中设置有通用串行总线USB接口，便携式设备通过USB接口与用户终端连接。

可选的，在另一种可能的设计方式中，本申请提供的输电线路图像的处理装置还包括训练模块，训练模块用于：

根据目标场景的场景类型，从第二对应关系中确定训练集中样本图像的图像特征和处理方式；图像特征包括图像数量、图像大小、图像采集角度以及图像曝光度中的至少一种；处理方式包括标注方式、检测目标以及检测属性；第二对应关系包括场景类型、图像特征以及处理方式三者的对应关系；

根据图像特征从历史输电线路图像进行筛选，得到样本图像；

基于处理方式对样本图像进行处理，得到样本图像的处理结果；

根据样本图像和样本图像的处理结果，训练得到目标深度训练模型。

第四方面，本申请提供一种用户终端，包括发送模块和获取模块：

发送模块，用于向便携式设备发送目标场景的场景类型和待处理输电线路图像；便携式设备与用户终端连接；

获取模块，用于获取待处理输电线路图像的处理结果；处理结果为便携式设备根据目标深度训练模型对待处理输电线路图像进行处理得到；目标深度训练模型与场景类型对应。

第五方面，本申请提供一种输电线路图像的处理装置，包括存储器、处理器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当输电线路图像的处理装置运行时，处理器执行存储器存储的计算机执行指令，以使输电线路图像的处理装置执行如上述第一方面或第二方面提供的输电线路图像的处理方法。

可选的，该输电线路图像的处理装置还可以包括收发器，该收发器用于在输电线路图像的处理装置的处理器的控制下，执行收发数据、信令或者信息的步骤，例如，接收用户终端发送的目标场景的场景类型和待处理输电线路图像。

进一步可选的，该输电线路图像的处理装置可以是用于实现输电线路图像的处理的物理机，也可以是物理机中的一部分装置，例如可以是物理机中的芯片系统。该芯片系统用于支持输电线路图像的处理装置实现第一方面或第二方面中所涉及的功能，例如，接收，发送或处理上述输电线路图像的处理方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。

第六方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行指令时，使得计算机执行如第一方面或第二方面提供的输电线路图像的处理方法。

第七方面，本申请提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面或第二方面提供的输电线路图像的处理方法。

第八方面，本申请提供一种输电线路图像的处理系统，包括如第三方面提供的便携式设备和第四方面提供的用户终端。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与输电线路图像的处理装置的处理器封装在一起的，也可以与输电线路图像的处理装置的处理器单独封装，本申请对此不做限定。

本申请中第三方面至第八方面的描述，可以参考第一方面或第二方面的详细描述；并且，第三方面至第八方面的描述的有益效果，可以参考第一方面或第二方面的有益效果分析，此处不再赘述。

在本申请中，上述输电线路图像的处理装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。

本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

附图说明

图1为本申请实施例提供的一种输电线路图像的处理系统的架构示意图；

图2为本申请实施例提供的一种输电线路图像的处理方法的流程示意图；

图3为本申请实施例提供的另一种输电线路图像的处理方法的流程示意图；

图4为本申请实施例提供的又一种输电线路图像的处理方法的流程示意图；

图5为本申请实施例提供的一种便携式设备的结构示意图；

图6为本申请实施例提供的一种用户终端的结构示意图；

图7为本申请实施例提供的一种输电线路图像的处理装置的结构示意图。

具体实施方式

下面结合附图对本申请实施例提供的输电线路图像的处理方法、便携式设备及用户终端进行详细地描述。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括其他没有列出的步骤或单元，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

为了确保电网中输电线路安全可靠运行，需要定期对输电线路进行巡检。目前在变电站设置有不同类型的视频图像终端，如视频环境监控系统、巡视机器人、巡检无人机、直升机等。可以通过定期对这些视频图像终端采集到的输电线路图像进行处理，实现输电线路巡检。随着输电线路的覆盖范围越来越广泛，目前有很多输电线路设置在远离城镇的偏远地区。所以，现有的，一般由本地的边缘服务器将视频图像终端采集到的输电线路图像回传至云平台，由云平台服务器对输电线路图像进行分析。

然而，由于信号强度、传输带宽以及流量成本等多种因素的影响，现有将输电线路图像回传至云平台的速度较慢且不稳定，影响了得到输电线路图像分析结果的实时性，导致巡检人员无法及时排查出输电线路的各种缺陷。

针对上述现有技术中存在的问题，本申请实施例提供了一种输电线路图像的处理方法、便携式设备及用户终端，该方案通过将深度训练模型库部署在便携式设备中，这样，无需将待处理输电线路图像回传至远程的云平台服务器，便携式设备即可以对待处理输电线路图像进行处理，在本地就可以得到待处理输电线路图像的处理结果。

本申请实施例提供的输电线路图像的处理方法可以应用于图1所示的输电线路图像的处理系统。参照图1，该输电线路图像的处理系统可以包括便携式设备01和用户终端02。

其中，用户终端02，可以是与便携式设备01连接的手机、平板电脑、桌面型计算机、膝上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、手持计算机、上网本、个人数字助理(personal digital assistant，PDA)、可穿戴电子设备、虚拟现实设备等不同类型的终端。

用户终端02，用于向便携式设备01发送目标场景的场景类型和待处理输电线路图像，并获取便携式设备01对待处理输电线路图像的处理结果。

便携式设备01，可以是基于人工智能(Artificial Intelligence，AI)的加速棒。便携式设备01中部署有多种深度训练模型形成的深度训练模型库，可以对不同场景类型下的输电线路图像进行处理。

下面结合上述图1示出的输电线路图像的处理系统对本申请提供的输电线路图像的处理方法进行说明。

参照图2，本申请实施例提供的输电线路图像的处理方法包括S201-S203：

S201、便携式设备接收用户终端发送的目标场景的场景类型和待处理输电线路图像。

其中，便携式设备与用户终端连接。

可选的，场景类型可以为鸟巢异物检测、螺栓锈蚀检测和玻璃绝缘子自爆检测中的任意一种。

可以理解的是，本申请实施例作为示例，仅列举了常用的几种场景类型，当然，在实际应用中，场景类型也可以为其他类型。

由于输电线路中常用的用户终端一般为平板电脑、桌面型计算机以及笔记本电脑等具有通用串行总线(Universal Serial Bus，USB)接口的终端，为了不对现有的用户终端进行结构改造就可实现用户终端与便携式设备的连接，可选的，在一种可能的实现方式中，便携式设备设置有USB接口，便携式设备通过该USB接口与用户终端连接。

另外，便携式设备通过USB接口与用户终端连接，便携式设备无需额外的负荷和电源支撑，即可实现对输电线路图像的处理。

可选的，为了使得便携式设备更易携带，便携式设备的体积应该尽量的小。另外，便携式设备的功耗也较小，一般可以在7.5瓦以下。

S202、便携式设备从深度训练模型库中确定与场景类型对应的目标深度训练模型。

其中，深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系。

可选的，在一种可能的实现方式中，本申请实施例还提供了一种对于深度训练模型库中的深度训练模型的训练方法。以目标深度训练模型为例，便携式设备可以根据目标场景的场景类型，从包括场景类型、图像特征以及处理方式三者的第二对应关系中确定训练集中样本图像的图像特征和处理方式；然后可以根据图像特征从历史输电线路图像进行筛选，得到样本图像；基于处理方式对样本图像进行处理，得到样本图像的处理结果；之后，根据样本图像和样本图像的处理结果，训练得到目标深度训练模型。

其中，图像特征包括图像数量、图像大小、图像采集角度以及图像曝光度中的至少一种；处理方式包括标注方式、检测目标以及检测属性。

由于在不同场景类型下，对于样本图像的图像特征的需求可能不同，且在不同场景类型下，对于样本图像的处理需求也可能不同，所以，可选的，便携式设备可以先根据目标场景的场景类型，从包括场景类型、图像特征以及处理方式三者的第二对应关系中确定训练集中样本图像的图像特征和处理方式。

在实际应用中，输电线路图像一般为可见光图像，所以训练目标深度训练模型的数量与目标场景下的检测目标的检测难度有关。示例性的，在玻璃绝缘子自爆检测的场景中，由于玻璃绝缘子一般为青色的片状物，且结构为由多片层叠成一条，所以玻璃绝缘子不易与周围环境混淆。另外，玻璃绝缘子中有一片的缺失(即自爆)极易识别。因此，场景类型为玻璃绝缘子自爆检测时，训练集中需要的图像数量较少。又如，在螺栓锈蚀检测的场景中，螺栓锈蚀一般在可见光图像中的形状为圆形或椭圆形的棕色小点，也比较容易识别。所以，场景类型为螺栓锈蚀检测时，训练集中需要的图像数量较少。又如，在鸟巢异物检测的场景中，不同位置鸟巢的形状可能不同，且鸟巢位置较为分散，此时，训练集中需要的图像数量较多。

以玻璃绝缘子自爆检测的场景为例，由于该场景需要对玻璃绝缘子是否有自爆进行检测，所以需要的样本图像为横向的玻璃绝缘子图像。因此，不同场景类型下图像采集角度可以不同。

类似的，不同场景类型下识别难度不同，训练集中样本图像的图像大小和图像曝光度也可能不同。

此外，不同场景类型下的检测目标不同，比如玻璃绝缘子自爆检测的场景，检测目标为玻璃绝缘子。鸟巢异物检测的场景，检测目标为鸟巢。螺栓锈蚀检测的场景，检测目标为螺栓锈。

不同的场景类型检测的需求可能不同，标注方式可能不同。示例性的，螺栓锈蚀检测的场景中，标注方式可以为对螺栓的锈蚀处进行标注。又如，在鸟巢异物检测的场景中，标注方式可以为标注鸟巢的位置。玻璃绝缘子自爆检测的场景中，标注方式可以为对玻璃绝缘子中自爆的一片或多片进行标注。

可以理解的是，不同的检测目标形状也不尽不同，可选的，为了更好的标注出检测目标，可以结合检测目标的形状确定标注方式。示例性的，螺栓锈蚀检测的场景中，螺栓一般为圆形或椭圆形，则标注方式可以为采用圆状标注框对螺栓的锈蚀处进行标注。当然，在实际应用中，也可以采用矩形标注框对螺栓进行标注，本申请实施例对此不做限定。

不同的场景类型检测的需求可能不同，检测属性也可能不同。示例性的，在鸟巢异物检测的场景中，检测属性为目标的分类，也即是识别出鸟巢。螺栓锈蚀检测的场景中，检测属性为目标的识别，也即是不仅要确定出螺栓，还有确定螺栓是否出现锈蚀。

可选的，在一种可能的实现方式中，可以基于TensoFlow或Caffe的机器学习库开发深度训练模型库中的深度训练模型，TensoFlow和Caffe具有良好的拓展性和丰富的开源应用案例，能够支持针对输电线路巡检中，不同目标的检测算法实现快速开发，从而可以将深度训练模型快速部署在便携式设备中。

S203、便携式设备基于目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。

本申请实施例提供的输电线路图像的处理方法中，由于便携式设备中包含有深度训练模型库，深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系。所以，在便携式设备与用户终端连接的情况下，便携式设备可以接收用户终端发送的目标场景的场景类型和待处理输电线路图像，然后从深度训练模型库中确定出与场景类型对应的目标深度训练模型，并采用该模型对待处理输电线路图像进行处理。可以看出，在本申请提供的技术方案中，通过将深度训练模型库部署在便携式设备中，这样，无需将待处理输电线路图像回传至远程的云平台服务器，便携式设备即可以对待处理输电线路图像进行处理，用户终端在本地就可以得到待处理输电线路图像的处理结果。因此本申请可以提高得到输电线路图像分析结果的实时性，从而使得巡检人员可以及时排查出输电线路的各种缺陷，确保输电线路安全。

参照图3，本申请实施例还提供了一种输电线路图像的处理方法，应用于图1示出的输电线路图像的处理系统中的用户终端02。如图3所示，输电线路图像的处理方法可以包括S301-S302：

S301、用户终端向便携式设备发送目标场景的场景类型和待处理输电线路图像。

其中，便携式设备与用户终端连接。

S302、用户终端获取待处理输电线路图像的处理结果。

其中，处理结果为便携式设备根据目标深度训练模型对待处理输电线路图像进行处理得到；目标深度训练模型与场景类型对应。

由于便携式设备可以根据与目标场景的场景类型对应的目标深度训练模型对待处理输电线路图像进行处理，所以用户终端可以直接从便携式设备获取对于待处理输电线路图像的处理结果。这样，用户终端不用再将待处理输电线路图像回传至远程的云平台服务器，在本地就可以得到待处理输电线路图像的处理结果。因此本申请实施例提供的输电线路图像的处理方法可以提高得到输电线路图像分析结果的实时性，从而使得巡检人员可以及时排查出输电线路的各种缺陷，确保输电线路安全。

示例性的，参照图4，本申请实施例还提供一种如图1所示的系统架构应用上述实施例提供的输电线路图像的处理方法的交互示意图，具体交互内容的描述可参照上述实施例中描述，此处不再赘述。如图4所示，该输电线路图像的处理方法可以包括S401-S404：

S401、用户终端向便携式设备发送目标场景的场景类型和待处理输电线路图像。

S402、便携式设备从深度训练模型库中确定与场景类型对应的目标深度训练模型。

S403、便携式设备基于目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。

S404、用户终端获取待处理输电线路图像的处理结果。

图5示出了上述实施例中所涉及的输电线路图像的处理系统中的便携式设备01的一种可能的结构示意图。该便携式设备01包括：接收模块11、确定模块12和处理模块13。

其中，接收模块11执行上述方法实施例中的S201，确定模块12执行上述方法实施例中的S202，处理模块13执行上述方法实施例中的S203。

具体地，接收模块11，用于接收用户终端发送的目标场景的场景类型和待处理输电线路图像；便携式设备01与用户终端连接；

确定模块12，用于从深度训练模型库中确定与接收模块11接收到的场景类型对应的目标深度训练模型；深度训练模型库中包括场景类型与目标深度训练模型的第一对应关系；

处理模块13，用于基于确定模块12确定的目标深度训练模型对待处理输电线路图像进行处理，确定出处理结果。

可选的，在一种可能的实现方式中，上述“场景类型”可以为鸟巢异物检测、螺栓锈蚀检测和玻璃绝缘子自爆检测中的任意一种。

可选的，在另一种可能的实现方式中，便携式设备01中设置有通用串行总线USB接口，便携式设备01通过USB接口与用户终端连接。

可选的，在另一种可能的实现方式中，本申请提供的输电线路图像的处理装置还包括训练模块，训练模块用于：

根据目标场景的场景类型，从第二对应关系中确定训练集中样本图像的图像特征和处理方式；图像特征包括图像数量、图像大小、图像采集角度以及图像曝光度中的至少一种；处理方式包括标注方式、检测目标以及检测属性；第二对应关系包括场景类型、图像特征以及处理方式三者的对应关系；

根据图像特征从历史输电线路图像进行筛选，得到样本图像；

基于处理方式对样本图像进行处理，得到样本图像的处理结果；

根据样本图像和样本图像的处理结果，训练得到目标深度训练模型。

可选的，便携式设备01还可以包括存储模块，存储模块用于存储该便携式设备01的程序代码等。

图6示出了上述实施例中所涉及的输电线路图像的处理系统中的用户终端02的一种可能的结构示意图。该用户终端02包括：发送模块21和获取模块22。

其中，发送模块21执行上述方法实施例中的S301，获取模块22执行上述方法实施例中的S302。

具体地，发送模块21，用于向便携式设备发送目标场景的场景类型和待处理输电线路图像；便携式设备与用户终端02连接；

获取模块，用于获取待处理输电线路图像的处理结果；处理结果为便携式设备根据目标深度训练模型对待处理输电线路图像进行处理得到；目标深度训练模型与场景类型对应。

可选的，用户终端02还可以包括存储模块，存储模块用于存储该用户终端02的程序代码等。

如图7所示，本申请实施例还提供一种输电线路图像的处理装置，包括存储器41、处理器42、总线43和通信接口44；存储器41用于存储计算机执行指令，处理器42与存储器41通过总线43连接；当输电线路图像的处理装置运行时，处理器42执行存储器41存储的计算机执行指令，以使输电线路图像的处理装置执行如上述实施例提供的应用于便携式设备的输电线路图像的处理方法或用户终端的输电线路图像的处理方法。

在具体的实现中，作为一种实施例，处理器42(42-1和42-2)可以包括一个或多个中央处理器(central processing unit，CPU)，例如图7中所示的CPU0和CPU1。且作为一种实施例，输电线路图像的处理装置可以包括多个处理器42，例如图7中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

存储器41可以是只读存储器41(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器41可以是独立存在，通过总线43与处理器42相连接。存储器41也可以和处理器42集成在一起。

在具体的实现中，存储器41，用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器41内的软件程序，以及调用存储在存储器41内的数据，输电线路图像的处理装置的各种功能。

通信接口44，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如控制系统、无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口44可以包括接收单元实现接收功能，以及发送单元实现发送功能。

总线43，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线43可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

作为一个示例，结合图5，输电线路图像的处理装置为便携式设备时，便携式设备中的接收模块实现的功能与图7中的接收单元实现的功能相同，便携式设备中的处理模块实现的功能与图7中的处理器实现的功能相同，便携式设备中的存储模块实现的功能与图7中的存储器实现的功能相同。

本实施例中相关内容的解释可参考上述方法实施例，此处不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置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。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，使得计算机执行上述实施例提供的应用于便携式设备的输电线路图像的处理方法或应用于用户终端的输电线路图像的处理方法。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(erasable programmable read only memory，EPROM)、寄存器、硬盘、光纤、CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specificintegrated circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种输电线路图像的处理方法，应用于便携式设备，其特征在于，包括：

接收用户终端发送的目标场景的场景类型和待处理输电线路图像；所述便携式设备与所述用户终端连接；

从深度训练模型库中确定与所述场景类型对应的目标深度训练模型；所述深度训练模型库中包括所述场景类型与所述目标深度训练模型的第一对应关系；

基于所述目标深度训练模型对所述待处理输电线路图像进行处理，确定出处理结果。

2.根据权利要求1所述的方法，其特征在于，所述场景类型为鸟巢异物检测、螺栓锈蚀检测和玻璃绝缘子自爆检测中的任意一种。

3.根据权利要求1所述的方法，其特征在于，所述便携式设备设置有通用串行总线USB接口，所述便携式设备通过所述USB接口与所述用户终端连接。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括通过以下方式训练所述目标深度训练模型：

根据所述目标场景的场景类型，从第二对应关系中确定训练集中样本图像的图像特征和处理方式；所述图像特征包括图像数量、图像大小、图像采集角度以及图像曝光度中的至少一种；所述处理方式包括标注方式、检测目标以及检测属性；所述第二对应关系包括所述场景类型、所述图像特征以及所述处理方式三者的对应关系；

根据所述图像特征从历史输电线路图像进行筛选，得到所述样本图像；

基于所述处理方式对所述样本图像进行处理，得到所述样本图像的处理结果；

根据所述样本图像和所述样本图像的处理结果，训练得到所述目标深度训练模型。

5.一种输电线路图像的处理方法，应用于用户终端，其特征在于，包括：

向便携式设备发送目标场景的场景类型和待处理输电线路图像；所述便携式设备与所述用户终端连接；

获取所述待处理输电线路图像的处理结果；所述处理结果为所述便携式设备根据目标深度训练模型对所述待处理输电线路图像进行处理得到；所述目标深度训练模型与所述场景类型对应。

6.一种便携式设备，其特征在于，包括：

接收模块，用于接收用户终端发送的目标场景的场景类型和待处理输电线路图像；所述便携式设备与所述用户终端连接；

确定模块，用于从深度训练模型库中确定与所述接收模块接收到的所述场景类型对应的目标深度训练模型；所述深度训练模型库中包括所述场景类型与所述目标深度训练模型的第一对应关系；

处理模块，用于基于所述确定模块确定的所述目标深度训练模型对所述待处理输电线路图像进行处理，确定出处理结果。

7.一种用户终端，其特征在于，包括：

发送模块，用于向便携式设备发送目标场景的场景类型和待处理输电线路图像；所述便携式设备与所述用户终端连接；

获取模块，用于获取所述待处理输电线路图像的处理结果；所述处理结果为所述便携式设备根据目标深度训练模型对所述待处理输电线路图像进行处理得到；所述目标深度训练模型与所述场景类型对应。

8.一种输电线路图像的处理装置，其特征在于，包括存储器、处理器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接；

当所述输电线路图像的处理装置运行时，处理器执行所述存储器存储的所述计算机执行指令，以使所述输电线路图像的处理装置执行如权利要求1-4任意一项所述的输电线路图像的处理方法，或执行如权利要求5所述的输电线路图像的处理方法。

9.一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中存储有指令，当计算机执行所述指令时，使得所述计算机执行如权利要求1-4任意一项所述的输电线路图像的处理方法，或执行如权利要求5所述的输电线路图像的处理方法。

10.一种输电线路图像的处理系统，其特征在于，包括如权利要求6所述的便携式设备，以及如权利要求7所述的用户终端；所述便携式设备与所述用户终端连接。

Images