CN113256604A - 一种二重学习的绝缘子串缺陷识别方法及设备 - Google Patents

Abstract

本发明提供一种二重学习的绝缘子串缺陷识别方法及设备，属于图像识别技术领域。本发明方法包括对采集到的图像进行预处理；然后利用一重学习分类器进行内部迭代识别训练，获得绝缘子串特征集；二重学习分类器根据该特征集进行内部迭代识别训练，获得绝缘子特征集；然后将该特征集组合后输入一重学习分类器中进行识别训练，形成外环迭代训练；最后利用模板匹配方法快速定位到绝缘子串和绝缘子的位置；通过计算该位置对应绝缘子的面积进而确定与具有缺陷的绝缘子对应的绝缘子串图像。本发明由于利用了两重学习中的内部迭代和外环迭代，在有限的参考特征集的情况下增加了迭代训练次数，使得对图像中绝缘子串和绝缘子的识别更加稳定高效。

Description

一种二重学习的绝缘子串缺陷识别方法及设备

技术领域

本申请属于图像识别技术领域，具体涉及一种二重学习的绝缘子串缺陷识别方法及设备。

背景技术

绝缘子是一种特殊的绝缘控件，安装在不同电位的导体或导体与接地构件之间，实现电气绝缘和机械固定。绝缘子片碎裂，其绝缘性能降低，会造成绝缘击穿，进而会损坏整条线路的使用，在下雨天气，雨水沿裂纹浸入绝缘子内部，可能会引起闪络放电，导致绝缘子炸裂，造成停电事故。因此，绝缘子片的碎裂会影响电网的安全稳定运行。

目前，针对绝缘子片碎裂缺陷的巡视，输电线路主要是运用无人机进行，而变电站是主要运用智能巡检机器人进行。但这两种巡视方法都是在拍摄照片后，人工对照片进行判定是否存在绝缘子片碎裂缺陷。其中变电站智能巡检机器人系统巡视基本能实现拍照.数据读取和红外测温三大功能，暂未具有识别绝缘子片碎裂的功能。

而人工判别绝缘子串缺陷会存在效率低下的问题，变电站巡视机器人又不具备自动识别绝缘子串相关缺陷的能力，并且采集到的绝缘子串图片存在各种角度，对机器的图像识别能力也会存在较高要求。因此，需要一种稳定高效的图像识别方法，可以对变电站巡视机器人采集到的图片进行识别进而找出绝缘子串存在的缺陷。

发明内容

有鉴于此，本申请旨在解决人工判别绝缘子串缺陷效率低下，而变电站巡视机器人又不具备自动识别绝缘子串相关缺陷的能力的问题。

为了解决上述技术问题，本申请第一方面提供了一种二重学习的绝缘子串缺陷识别方法，包括：

对采集到的待处理图像进行预处理；

将所述经过预处理的图像利用一重学习分类器进行迭代训练，获得绝缘子串特征集；

将所述绝缘子串特征集进行分解得到绝缘子特征集，将所述绝缘子特征集利用二重学习分类器进行迭代训练，以便更新所述绝缘子特征集；

将所述更新后的绝缘子特征集进行组合得到新绝缘子串特征集，将所述新绝缘子串特征集利用所述一重学习分类器进行迭代训练，以便更新所述绝缘子串特征集，得到更新后的绝缘子串特征集；

将所述更新后的绝缘子串特征集和绝缘子特征集中的图像作为对象图像，利用模板匹配方法从所述对象图像中进行定位获得结果图像；

根据所述结果图像计算确定所述对象图像中包含有缺陷绝缘子的绝缘子串图像。

进一步的，所述将所述经过预处理的图像利用一重学习分类器进行迭代训练，获得绝缘子串特征集具体包括：

将所述经过预处理的图像划分为初始绝缘子串特征集和绝缘子串非特征集；

将所述初始绝缘子串特征集利用所述一重学习分类器进行识别训练，获得绝缘子串特征集；

将所述绝缘子串特征集和所述绝缘子串非特征集进行重组得到绝缘子串测试集；

将所述绝缘子串测试集利用所述一重学习分类器进行识别训练，以便更新所述绝缘子串特征集。

进一步的，所述将所述绝缘子串特征集进行分解得到绝缘子特征集，将所述绝缘子特征集利用二重学习分类器进行迭代训练，以便更新所述绝缘子特征集具体包括：

将所述绝缘子串特征集进行分解得到初始绝缘子特征集和绝缘子非特征集；

将所述初始绝缘子特征集利用所述二重学习分类器进行识别训练，获得绝缘子特征集；

将所述绝缘子特征集和所述绝缘子非特征集进行重组得到绝缘子测试集；

将所述绝缘子测试集利用所述二重学习分类器进行识别训练，以便更新所述绝缘子特征集。

进一步的，所述利用模板匹配方法从所述对象图像中进行定位获得结果图像具体包括：

建立与特征图像大小相适应的掩膜，所述特征图像为所述对象图像中只包含绝缘子串和绝缘子的区域的图像；

以所述掩膜为窗口遍历所述对象图像，每次遍历均计算处于所述掩膜范围内的黑像素图像大小与所述掩膜大小的差异度；

获得所述差异度小于预置阈值的结果图像，所述结果图像包括表征绝缘子串的结果图像和表征绝缘子的结果图像。

进一步的，根据平方差公式描述所述差异度，所述平方差公式具体为

式中，

为运算的结果图像，

为特征图像，

为对象图像，

所述掩膜顶点的像素值，

为掩膜内的像素值。

进一步的，所述根据所述结果图像计算确定所述对象图像中包含有缺陷绝缘子的绝缘子串图像具体包括：

根据所述结果图像中用于表征绝缘子的结果图像，并计算所述用于表征绝缘子的结果图像的面积，将所述面积记为实际绝缘子面积；

将所述实际绝缘子面积小于预置面积阈值的所述用于表征绝缘子的结果图像确定为缺陷绝缘子图像；

根据所述缺陷绝缘子图像确定所述对象图像中与所述缺陷绝缘子图像对应的绝缘子串图像。

进一步的，所述对采集到的待处理图像进行预处理具体包括：

对采集到的待处理图像进行积分运算，获得所述待处理图像中每个像素的自适应阈值；

根据所述自适应阈值对所述待处理图像进行二值化处理，得到第一二值化图像；

将所述第一二值化图像利用边缘检测方法进行处理，获得只含有图像轮廓信息的第二二值化图像，所述图像轮廓信息为所述第一二值化图像中黑像素图像的轮廓信息。

进一步的，利用下式进行所述积分运算：

式中，

为所述待处理图像中

点处的灰度值，

为以

点为中心选取的正方形区域的边长。

本申请第二方面提供一种二重学习的绝缘子串缺陷识别设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序，并将所述计算机程序的指令发送至处理器；

所述处理器根据所述计算机程序的指令执行前述的一种二重学习的绝缘子串缺陷识别方法。

本申请第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的一种二重学习的绝缘子串缺陷识别方法。

综上，本申请提供了一种二重学习的绝缘子串缺陷识别方法及设备，通过对采集到的图像进行预处理，去除冗余信息之后，再进行基于二重学习的图像识别分类训练。其中一重学习是将预处理后的图像输入一重学习分类器中，在一重学习分类器内部进行迭代识别训练，获得绝缘子串特征集图像；二重学习是将由绝缘子串特征集图像分解得到的绝缘子特征集图像经过二重学习分类器中，在二重学习分类器内进行迭代识别训练，获得更新后的绝缘子特征集图像；然后再将更新后的绝缘子特征集图像组合为新的绝缘子串特征集图像，输入一重学习分类器中继续进行识别训练。最终将一重学习分类器获得的绝缘子串特征集图像和二重学习分类器获得的绝缘子图像采用模板匹配的方法确定出包含有缺陷绝缘子的绝缘子串图像。

本方法由于两重学习的分类器都进行了迭代运算，并且在一重学习分类器和二重学习分类器之间组成外环迭代，在人为输入有限的参考特征集的情况下增加了迭代训练次数，提高了训练效率和分类器的准确性，使得对图像中绝缘子串和绝缘子的识别更加稳定高效。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种二重学习的绝缘子串缺陷识别方法的流程示意图；

图2位本发明实施例提供的一种二重学习的绝缘子串缺陷识别方法的流程简图；

图3是本发明实施例提供的二重学习的流程示意图。

具体实施方式

为使得本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。

请参阅图1、图2和图3，本申请实施例提供了一种二重学习的绝缘子串缺陷识别方法，包括

S101：对采集到的待处理图像进行预处理。

需要说明的是，采集到的待处理图像即是由变电站巡视机器人拍摄的图像，对该图像进行预处理的目的在于去除背景的影响，减少后续步骤中处理图像的运算量。在本实施例中可以采用的一种对于图像进行预处理的步骤如下：

1）对采集到的待处理图像进行积分运算，获得所述待处理图像中每个像素的自适应阈值。

可以理解的是，在对图像进行后续的二值化处理过程中，阈值的选取是十分重要的，如果不合适，将会丢失部分图像特征，导致图像无法成为识别对象，而自适应阈值是一种选取合适阈值的有效策略。该方法是假设需要对一个灰度像素进行二值化，首先以该像素点为中心选取一个

子域，子域内的像素做积分运算，积分运算的公式如下：

式中，

为所述待处理图像中

点处的灰度值，

为以

点为中心选取的子域的边长。

计算得到的积分值再除以该子域的面积得到平均值，该平均值就是当前中心像素二值化的阈值。使用该方法可以使得阈值在后续图像二值化过程中自行调整，避免结果图像丢失部分特征。实际测试表明，当原图像分辨率为1920*1080时，子域大小选择为21*21较为合适。

2）根据所述自适应阈值对所述待处理图像进行二值化处理，得到第一二值化图像。

需要说明的是，二值化是对一张灰度图进行黑白分离。先选取合适的阈值即上一步骤得到的自适应阈值，然后将高于该阈值的像素替换白（255）像素，低于该阈值的像素替换为黑（0）像素，如此就可以将图像中有特征的图像显现出来，便于图像进行后续的识别处理。

3）将所述第一二值化图像利用边缘检测方法进行处理，获得只含有图像轮廓信息的第二二值化图像，所述图像轮廓信息为所述第一二值化图像中黑像素图像的轮廓信息。

需要说明的是，经过二值化处理的图像边界的对比度达到了最大值，边缘检测即是将图像对比度最高的地方作为边缘，只留下图像的轮廓信息，内部细节缺省，故后续对图像进行识别时只需要对比轮廓即可。

S102：将所述经过预处理的图像利用一重学习分类器进行迭代训练，获得绝缘子串特征集。

需要说明的是，一重学习分类器即是一重学习中对图像进行识别判断的部分，也是一重学习中需要进行训练的部分。一重学习是指分类器对于绝缘子串的识别训练，并且一重学习自身存在闭环迭代，一重学习闭环迭代的识别训练过程如下：

1）将所述经过预处理的图像划分为初始绝缘子串特征集和绝缘子串非特征集；

由于分类器一开始并不具备识别图像中哪些图像属于绝缘子串图像的能力，因此初始的绝缘子串特征集和绝缘子串非特征集需要人为分辨后输入分类器中，这些是分类器进行识别训练的参考依据，也就是说需要人为告诉分类器哪些是绝缘子串，哪些不是。

2）将所述初始绝缘子串特征集利用所述一重学习分类器进行识别训练，获得绝缘子串特征集；

需要说明的是，一重学习分类器可以是朴素贝叶斯分类器模型，基本原理是贝叶斯定理：

其中条件B为绝缘子串或绝缘子，条件A为某个特征集合。上式可理解为满足条件A后是绝缘子串或绝缘子的概率为满足条件A的绝缘子串或绝缘子概率乘以是绝缘子串或绝缘子的概率再除以条件A的概率。至于条件A，可以把经过预处理图像中黑像素的坐标作为条件A的特征集合，经过文中二重闭环迭代的循环运算，得到几组P(B|A)结果大于80%的条件A特征集合，由于集合内元素为若干个坐标，也可以理解为特征向量，即如果测试图像中具有这几组特征向量，那么就可以认为图中向量所指之处大概率是绝缘子串或绝缘子。将特征集和的坐标用向量形式表示的目的是是模板匹配函数不用从（0，0）开始寻找特征图像，可以沿着向量进行模板匹配，达到快速查找特征图像的目的，减少运算量，提高运算速度。

3）将所述绝缘子串特征集和所述绝缘子串非特征集进行重组得到绝缘子串测试集；

可以理解的是，该处将特征集和非特征集进行重组获得测试集的目的在于输入分类器中进行分类器的闭环迭代识别训练。

4）将所述绝缘子串测试集利用所述一重学习分类器进行识别训练，以便更新所述绝缘子串特征集，得到更新后的绝缘子串特征集。

需要说明的是，分类器识别训练得到的绝缘子串特征集与绝缘子串非特征集重组获得绝缘子串测试集，然后将绝缘子串测试集再次输入到分类器中进行识别训练，以更新绝缘子串特征集，这个过程称为一次一重学习分类器的内部迭代。

S103：将所述绝缘子串特征集进行分解得到绝缘子特征集，将所述绝缘子特征集利用二重学习分类器进行迭代训练，以便更新所述绝缘子特征集。

需要说明的是，二重学习分类的作用于一重分类器类似，此处不再赘述。而二重学习主要是分类器对于绝缘子的识别训练，二重学习自身也存在内部迭代，具体过程如下：

1）将所述绝缘子串特征集进行分解得到初始绝缘子特征集和绝缘子非特征集；

可以理解的是，该处的绝缘子串特征集即为一重学习分类器经过识别训练之后获得的绝缘子串特征集。

2）将所述初始绝缘子特征集利用所述二重学习分类器进行识别训练，获得绝缘子特征集；

可以理解的是，二重学习分类器一开始也不具有识别绝缘子的能力，因此需要输入绝缘子特征集对分类器进行识别训练。

3）将所述绝缘子特征集和所述绝缘子非特征集进行重组得到绝缘子测试集；

可以理解的是，该处的绝缘子测试集的作用同样是用于分类器进行闭环迭代的识别训练。

4）将所述绝缘子测试集利用所述二重学习分类器进行识别训练，以便更新所述绝缘子特征集。

需要说明的是，二重学习分类器识别训练得到的绝缘子特征集与绝缘子非特征集重组获得绝缘子测试集，然后将绝缘子测试集再次输入到分类器中进行识别训练，以更新绝缘子特征集，这个过程称为一次二重学习分类器的内部迭代。

S104：将所述更新后的绝缘子特征集进行组合得到新绝缘子串特征集，将所述新绝缘子串特征集利用所述一重学习分类器进行迭代训练，以便更新所述绝缘子串特征集。

需要说明的是，将二重学习分类器获得的绝缘子特征集组合后再输入一重学习分类器中进行迭代训练，以更新绝缘子串特征集的过程为外环迭代的过程。

由于每重学习自身存在闭环迭代，即将分类器得到的特征集与非特征集进行重组，得到新测试集，再送入分类器进行识别训练，这称为一次迭代，两重学习算法均有独立的一次迭代环，如此迭代训练对测试的源集（初始训练集）数量要求较高，即在一次迭代的训练下，分类器的识别能力提高十分依赖源集数量，如果提高迭代数又将大大增加算法复杂度。故将两重学习算法的迭代环再组成一个外环，将一重学习分类器得到的绝缘子串特征集提取出一个个的绝缘子特征图片，与原有的绝缘子特征集组合成新特征集。二重学习分类器得到的绝缘子特征集组合成绝缘子串特征图片，与原有绝缘字串特征集组合成新特征集。外环进行一次迭代运算后，绝缘子与绝缘子串的特征集都得到了更新，相当于两重学习的分类器都进行了两次迭代运算，提高了训练效率和分类器的准确性，并且由于外环迭代与两重学习的内环迭代可以并行运行，故对算法复杂度没有增加。

使用二重闭环迭代一个重要的作用是防止出现过拟合现象，由于贝叶斯定理成立的一个重要条件是条件A的特征集合必须相互独立，但是要做到完全相互独立是不可能的，特别是当初始训练集合绝缘子的位置相似性较高时，分类器会把一些不应该是特征的向量选出来，到识别测试集合时就会不准确，这就是过拟合现象。例如初始训练集都是一些横向摆放的绝缘子，分类器就会拟合出一条横向向量，它认为这是绝缘子的重要特征，当测试集合中出现一个纵向摆放的绝缘子时，由于这个高概率的特征条件没有满足导致识别率下降。二重迭代算法中有一个分解和组合的过程，组合是将没有任何关联性的绝缘子组合成绝缘子串，分解是将不同的绝缘子串分解成绝缘子后放在集合里，都在一定程度上保证了特征的相互独立性，防止了过拟合现象，使得分类器的识别准确率更高。

S105：将所述更新后的绝缘子串特征集和绝缘子特征集中的图像作为对象图像，利用模板匹配方法从所述对象图像中进行定位获得结果图像。

需要说明的是，在前述步骤中训练得到两个分类器，分别用于对绝缘子串和绝缘子进行识别判断，而这两个分类器是为模板匹配方法服务的。模板匹配是一种在测试对象图像中定位特征图像的方法，对于本实施例来说就是在一张变电站巡视机器人拍回来的图像中寻找定位绝缘子的方法。模板匹配方法的具体过程为：

1）建立与特征图像大小相适应的掩膜，所述特征图像为所述对象图像中只包含绝缘子串和绝缘子的区域的图像；

2）以所述掩膜为窗口遍历所述对象图像，每次遍历均计算处于所述掩膜范围内的黑像素图像大小与所述掩膜大小的差异度；

需要说明的是，可以根据平方差公式描述所述差异度，所述平方差公式具体为

式中，

为运算的结果图像，

为特征图像，

为对象图像，

为所述掩膜顶点的像素值，

为掩膜内的像素值。

3）获得所述差异度小于预置阈值的结果图像，所述结果图像包括表征绝缘子串的结果图像和表征绝缘子的结果图像。

遍历时，掩膜位置即

发生变化，每次变化就计算掩膜内的对象图像上黑像素图像与特征图像的平方差，平方差越小即代表该对象图像上的黑像素图像与特征图像越接近，当平方差小于一定的预置阈值（即允许的误差）时，即可认为此时掩膜内的图像即运算的结果图像就是需要寻找的特征图像，而

即为该特征图像在对象图像上的位置。可以理解的是，一重学习分类器可以利用该模板匹配的方法快速定位到绝缘子串的位置，即获得表征绝缘子串的结果图像，既可以去除背景因素的影响，也可以缩小便利范围，提高运算速度；二重学习中的分类器可以利用模板匹配的方法更准确的找出更多的绝缘子，即表征绝缘子的结果图像。由于变电站巡视机器人在采集绝缘子串图像时角度是固定的，远处的绝缘子会比近处的绝缘子小，如果只采用一张特征图像去匹配，则整串绝缘子会识别不全，漏掉一些绝缘子。而采用本方法，由于利用了相当数量的图像对一重学习分类器和二重学习分类器进行了识别训练，使得他们具有了识别不同角度不同大小绝缘子串和绝缘子的能力。二重学习分类器就可以找出对象图像中不同大小，不同方向的绝缘子，然后根据找出的绝缘子进一步判断是否为缺陷绝缘子。

S106：根据所述结果图像计算确定所述对象图像中包含有缺陷绝缘子的绝缘子串图像。

需要说明的是，根据模板匹配的结果，计算每个表征绝缘子的结果图像的面积（即轮廓的大小），若小于一定阈值即可认为该绝缘子不完整，是有缺陷的绝缘子，而与该缺陷绝缘子对应的绝缘子串图像即为需要寻找的对象图像中具有缺陷绝缘子的图像。

本实施提供的一种二重学习的绝缘子串缺陷识别方法通过对采集到的图像进行预处理，去除图像背景的冗余信息之后，再进行基于二重学习的图像识别分类训练。其中一重学习是将预处理后的图像输入一重学习分类器中，在一重学习分类器内部进行迭代识别训练，获得绝缘子串特征集图像；二重学习是将由绝缘子串特征集图像分解得到的绝缘子特征集图像经过二重学习分类器中，在二重学习分类器内进行迭代识别训练，获得更新后的绝缘子特征集图像；然后再将更新后的绝缘子特征集图像组合为新的绝缘子串特征集图像，输入一重学习分类器中继续进行识别训练。最终将一重学习分类器获得的绝缘子串特征集图像和二重学习分类器获得的绝缘子图像采用模板匹配的方法确定出包含有缺陷绝缘子的绝缘子串图像。

以上是本发明提供的一种二重学习的绝缘子串缺陷识别方法的实施例进行详细的描述，以下将对本发明提供的一种二重学习的绝缘子串缺陷识别设备的实施例进行详细的描述。

一种二重学习的绝缘子串缺陷识别设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序，并将所述计算机程序的指令发送至处理器；

所述处理器根据所述计算机程序的指令执行如前述实施例所述的一种二重学习的绝缘子串缺陷识别方法。

以上是对本发明提供的一种二重学习的绝缘子串缺陷识别设备的实施例进行详细的描述，以下将对本发明提供的一种计算机可读存储介质的实施例进行详细的描述。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的一种二重学习的绝缘子串缺陷识别方法。

以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种二重学习的绝缘子串缺陷识别方法，其特征在于，包括：

对采集到的待处理图像进行预处理；

将所述经过预处理的图像利用一重学习分类器进行迭代训练，获得绝缘子串特征集；

将所述绝缘子串特征集进行分解得到绝缘子特征集，将所述绝缘子特征集利用二重学习分类器进行迭代训练，以便更新所述绝缘子特征集；

将所述更新后的绝缘子特征集进行组合得到新绝缘子串特征集，将所述新绝缘子串特征集利用所述一重学习分类器进行迭代训练，以便更新所述绝缘子串特征集，得到更新后的绝缘子串特征集；

将所述更新后的绝缘子串特征集和绝缘子特征集中的图像作为对象图像，利用模板匹配方法从所述对象图像中进行定位获得结果图像；

根据所述结果图像计算确定所述对象图像中包含有缺陷绝缘子的绝缘子串图像。

2.根据权利要求1所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，所述将所述经过预处理的图像利用一重学习分类器进行迭代训练，获得绝缘子串特征集具体包括：

将所述经过预处理的图像划分为初始绝缘子串特征集和绝缘子串非特征集；

将所述初始绝缘子串特征集利用所述一重学习分类器进行识别训练，获得绝缘子串特征集；

将所述绝缘子串特征集和所述绝缘子串非特征集进行重组得到绝缘子串测试集；

将所述绝缘子串测试集利用所述一重学习分类器进行识别训练，以便更新所述绝缘子串特征集。

3.根据权利要求1所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，所述将所述绝缘子串特征集进行分解得到绝缘子特征集，将所述绝缘子特征集利用二重学习分类器进行迭代训练，以便更新所述绝缘子特征集具体包括：

将所述绝缘子串特征集进行分解得到初始绝缘子特征集和绝缘子非特征集；

将所述初始绝缘子特征集利用所述二重学习分类器进行识别训练，获得绝缘子特征集；

将所述绝缘子特征集和所述绝缘子非特征集进行重组得到绝缘子测试集；

将所述绝缘子测试集利用所述二重学习分类器进行识别训练，以便更新所述绝缘子特征集。

4.根据权利要求1所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，所述利用模板匹配方法从所述对象图像中进行定位获得结果图像具体包括：

建立与特征图像大小相适应的掩膜，所述特征图像为所述对象图像中只包含绝缘子串和绝缘子的区域的图像；

以所述掩膜为窗口遍历所述对象图像，每次遍历均计算处于所述掩膜范围内的黑像素图像大小与所述掩膜大小的差异度；

获得所述差异度小于预置阈值的结果图像，所述结果图像包括表征绝缘子串的结果图像和表征绝缘子的结果图像。

5.根据权利要求4所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，根据平方差公式描述所述差异度，所述平方差公式具体为

式中，

为运算的结果图像，

为特征图像，

为对象图像，

为所述掩膜顶点的像素值，

为掩膜内的像素值。

6.根据权利要求1所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，所述根据所述结果图像计算确定所述对象图像中包含有缺陷绝缘子的绝缘子串图像具体包括：

根据所述结果图像中用于表征绝缘子的结果图像，计算所述用于表征绝缘子的结果图像的面积，将该面积记为实际绝缘子面积；

将所述实际绝缘子面积小于预置面积阈值的所述用于表征绝缘子的结果图像确定为缺陷绝缘子图像；

根据所述缺陷绝缘子图像确定所述对象图像中与所述缺陷绝缘子图像对应的绝缘子串图像。

7.根据权利要求1所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，所述对采集到的待处理图像进行预处理具体包括：

对采集到的待处理图像进行积分运算，获得所述待处理图像中每个像素的自适应阈值；

根据所述自适应阈值对所述待处理图像进行二值化处理，得到第一二值化图像；

将所述第一二值化图像利用边缘检测方法进行处理，获得只含有图像轮廓信息的第二二值化图像，所述图像轮廓信息为所述第一二值化图像中黑像素图像的轮廓信息。

8.根据权利要求7所述的一种二重学习的绝缘子串缺陷识别方法，其特征在于，利用下式进行所述积分运算：

式中，

为所述待处理图像中

点处的灰度值，

为以

点为中心选取的正方形区域的边长。

9.一种二重学习的绝缘子串缺陷识别设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序，并将所述计算机程序的指令发送至处理器；

所述处理器根据所述计算机程序的指令执行权利要求1-8中任一项所述的一种二重学习的绝缘子串缺陷识别方法。

10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种二重学习的绝缘子串缺陷识别方法。

Images