CN114170207A - 输电线路图像质量的评估方法及装置 - Google Patents

输电线路图像质量的评估方法及装置 Download PDF

Info

Publication number
CN114170207A
CN114170207A CN202111519852.8A CN202111519852A CN114170207A CN 114170207 A CN114170207 A CN 114170207A CN 202111519852 A CN202111519852 A CN 202111519852A CN 114170207 A CN114170207 A CN 114170207A
Authority
CN
China
Prior art keywords
patch
fusion
matrix
features
mapping
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.)
Pending
Application number
CN202111519852.8A
Other languages
English (en)
Inventor
李启蒙
张志�
赵振兵
连阳阳
邢娇
李星蓉
吕鹏鹏
王智慧
褚文建
方蓬勃
肖帆
魏蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111519852.8A priority Critical patent/CN114170207A/zh
Publication of CN114170207A publication Critical patent/CN114170207A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种输电线路图像质量的评估方法及装置。该方法包括：获取无人机拍摄的基于不同背景下的输电线路图像，并对输电线路图像裁剪为多个相同尺寸的贴片；对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。本发明能够丰富输电线路图像中关注部件的特征信息，提高图像质量评估准确度。

Description

输电线路图像质量的评估方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种输电线路图像质量的评估方法及装置。
背景技术
输电线路的运行状态的安全稳定是电能传输的重要前提，也是我国能源发展的重要保障。传统人工运检效率不能满足日益增长的输电线路规模要求，因此将无人机作为一种智能、高效的输电线路巡检方式，使用无人机巡检可以快速积累大量的输电线路图像。目前，无人机电力巡检主要是通过人为控制无人机进行图像采集，然后对采集图像进行分析处理以及故障诊断。在这一过程中巡检图像的质量至关重要，高质量的图像不仅可以提高故障检测的准确率，也能提高模型训练样本的挑选效率，以促进图像处理算法的设计。
由于无人机拍摄图像时高速飞行，会造成采集的图像模糊，同时存在拍照环境复杂、图像传输过程中损坏等问题，所得到的图像质量往往参差不齐，严重影响后期的分析处理工作，因此图像指令评估至关重要。传统的图像质量评估方法主要是基于模糊导致的边缘扩散、高频能量减少或局部相位相干性损失等，在实际应用中传统图像质量评估方法不能对各区域进行很好的划分，导致评估不准确。
发明内容
本发明实施例提供了一种输电线路图像质量的评估方法及装置，以解决传统图像质量评估方法评估不准确的问题。
第一方面，本发明实施例提供了一种输电线路图像质量的评估方法，包括：
获取无人机拍摄的基于不同背景下的输电线路图像，并对所述输电线路图像裁剪为多个相同尺寸的贴片；
对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；
对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；
将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；
对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
在一种可能的实现方式中，所述将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征，包括：
将每个贴片对应的特征和显著性信息进行映射特征，得到每个贴片对应的感知一致的映射特征；
根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征。
在一种可能的实现方式中，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对所述平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵；
计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对所述标准差矩阵进行转置计算，得到标准差转置矩阵；
将所述平均特征向量转置矩阵和所述标准差转置矩阵进行聚合，得到所有贴片聚合后的特征。
在一种可能的实现方式中，所述根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对所述平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵，包括：
根据
Figure BDA0003408331770000031
得到所有贴片对应的平均特征向量转置矩阵；
其中，fmean表示平均特征向量转置矩阵，mi表示第i个贴片对应的平均特征向量，i＝(1,…,l)，l表示dki的维度，dki表示dk的第i个元素，dk表示第k个贴片对应的映射特征，k＝(1,2,3,…,n)，n表示贴片总数。
在一种可能的实现方式中，所述计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对所述标准差矩阵进行转置计算，得到标准差转置矩阵，包括：
根据
Figure BDA0003408331770000032
得到所有贴片对应的标准差转置矩阵；
其中，fstd表示标准差转置矩阵，Si表示第i个贴片对应的标准差。
在一种可能的实现方式中，所述将所述平均特征向量转置矩阵和所述标准差转置矩阵进行聚合，得到所有贴片聚合后的特征，包括：
根据
Figure BDA0003408331770000033
得到所有贴片聚合后的特征；
其中，f1表示所有贴片聚合后的特征，
Figure BDA0003408331770000034
表示串联运算符。
在一种可能的实现方式中，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
将所有贴片对应的映射特征分别采用四分位数表示，将每个贴片的相同分位数对应的映射特征构成矩阵，并计算矩阵的转置，得到所有分位数对应的转置矩阵；
将所有分位数对应的转置矩阵进行串联运算，得到分位数聚合特征。
在一种可能的实现方式中，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
根据每个贴片对应的感知一致的映射特征和对应的平均特征向量，分别计算预设阶数矩；
将所述平均特征向量转置矩阵和各个阶数矩进行聚合，得到矩聚合特征。
在一种可能的实现方式中，其特征在于，所述对每个贴片进行深层语义特征提取，得到每个贴片对应的特征，包括：
将每个贴片输入到预训练好的分类模型中进行特征提取，得到每个贴片对应的特征；
所述对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息，包括：
采用显著性预测子网络对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息。
第二方面，本发明实施例提供了一种输电线路图像质量的评估装置，包括：
裁剪模块，用于获取无人机拍摄的基于不同背景下的输电线路图像，并对所述输电线路图像裁剪为多个相同尺寸的贴片；
深层语义提取模块，用于对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；
显著性预测模块，用于对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；
融合处理模块，用于将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；
质量预测模块，用于对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
本发明实施例提供一种输电线路图像质量的评估方法及装置，通过对输电线路图像裁剪为多个相同尺寸的贴片，对每个贴片进行深层语义特征提取，并结合进行视觉显著性预测，将深层语义特征和显著性预测信息进行特征映射，从而丰富输电线路图像中关注部件的特征信息，提高图像质量评估准确度。并采用不同融合方式进行特征聚合，对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到准确的目标质量预测分数。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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他的附图。
图1是本发明实施例提供的输电线路图像质量的评估方法的流程示意图；
图2是本发明实施例提供的输电线路图像质量的评估装置的结构示意图；
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的一种输电线路图像质量的评估方法的实现流程图，详述如下：
步骤101，获取无人机拍摄的基于不同背景下的输电线路图像，并对输电线路图像裁剪为多个相同尺寸的贴片。
无人机上设置摄像头，将无人机控制飞行到输电线路附近，然后拍摄输电线路图像，并基于不同背景拍摄不同的输电线路图像。
将拍摄的多个输电线路图像分别裁剪成多个相同尺寸的重叠切片，每个贴片分别包含图像的局部特征。这里切割的尺寸可以根据需求设置，例如每个贴片的尺寸均为30×30像素的正方形贴片，这样可以得到贴片{P1,P2,…,Pk,…,Pn}，其中，k＝(1,2,…,n)，n表示每个输电线路图像裁剪得到的贴片数量。需要说明的是，裁剪时采用的步幅可以为小于一个贴片，例如裁剪步幅为一个贴片的一半或者1/3，即裁剪步幅为15像素或者10个像素，这样不仅可以覆盖整个图像，还可以避免产生不必要的图像几何变形。
可选的，在对输电线路图像裁剪之前，还可以先对输电线路图像进行处理。将输电线路图像的背景部分进行删除，留下包括少部分背景的输电线路图像，这样输电线路本身的图像可以更加清楚，并且减小输电线路图像的质量评估的工作量，提高质量评估效率。例如一般输电线路图像的中心部分为输电线，上下两端为背景，比如输电线为黑色，背景为天空，这样天空和输电线的颜色不同，可以将颜色交叉部分向背景图像方向延伸预设个数的像素进行切割，保证得到完整的输电线图像。
将切割后的图像再裁剪为多个相同尺寸的贴片。
步骤102，对每个贴片进行深层语义特征提取，得到每个贴片对应的特征。
在本实施例中，将每一输电线路图像裁剪后得到的各个贴片输入到预训练好的分类模型ResNet-50中进行特征提取，当一个贴片上只有一小部分具有不同图像内容时，深层特征的作用会减弱，而浅层特征的影响会增强，因此从分类模型ResNet-50中的“res3d”“res4f”层自适应地提取合适的语义特征图。对于每个贴片提取到的特征可以表示为Tk＝H(Pk)，其中，Tk表示第k个贴片对应的特征，Pk表示第k个贴片，H(·)表示卷积运算。
步骤103，对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息。
在本步骤中采用显著性预测子网络对每个贴片进行视觉显著性预测。显著性预测子网络通过采用使用浅层卷积神经网络来预测显著性特征图，得到每个贴片对应的显著性信息。
步骤104，将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征。
本步骤中，将每个贴片对应的特征和显著性信息进行特征映射，得到每个贴片对应的感知一致的映射特征，通过计算得到的每个贴片对应的映射特征，进行不同方式的融合。即根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征。
可选的，将每个贴片对应的特征和显著性信息进行特征映射，得到每个贴片对应的感知一致的映射特征，可以包括：
根据
Figure BDA0003408331770000071
得到每个贴片对应的感知一致的映射特征，其中，dk表示第k个贴片对应的映射特征，Sk表示第k个贴片对应的显著性信息，
Figure BDA0003408331770000072
表示串联运算符。
在本实施例中，采用四种方式进行特征融合，得到四种融合方式对应的融合特征。
第一种融合方式为将所有贴片对应的映射特征进行串联运算，即根据
Figure BDA0003408331770000073
进行串联运算，其中，fconcat表示融合后的特征。
第二种融合方式为平均方差聚合。即首先求出平均特征向量，再用标准差公式求出每个切片与平均特征向量之间的标准差，再将两者进行聚合。
可选的，平均方差聚合具体为：
根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵；计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对标准差矩阵进行转置计算，得到标准差转置矩阵；将平均特征向量转置矩阵和标准差转置矩阵进行聚合，得到所有贴片聚合后的特征。
在一实施例中，根据
Figure BDA0003408331770000081
得到所有贴片对应的平均特征向量转置矩阵；
其中，fmean表示平均特征向量转置矩阵，mi表示第i个贴片对应的平均特征向量，i＝(1,…,l)，l表示dki的维度，dki表示dk的第i个元素，dk表示第k个贴片对应的映射特征，k＝(1,2,3,…,n)，n表示贴片总数。
在一实施例中，根据
Figure BDA0003408331770000082
得到所有贴片对应的标准差转置矩阵；
其中，fstd表示标准差转置矩阵，Si表示第i个贴片对应的标准差。
在一实施例中，根据
Figure BDA0003408331770000083
得到所有贴片聚合后的特征；
其中，f1表示所有贴片聚合后的特征，
Figure BDA0003408331770000084
表示串联运算符。
第三种融合方式为分位数聚合。分位数是描述分布的重要顺序统计量，在对每个贴片特征聚合时，选择使用四分位数，分别将(d1i,…,dni)的0～4分位数表示为
Figure BDA0003408331770000085
其中，i＝1,…,l。
分位数聚合具体可以为：将所有贴片对应的映射特征分别采用四分位数表示，将每个贴片的相同分位数对应的映射特征构成矩阵，并计算矩阵的转置，得到所有分位数对应的转置矩阵；将所有分位数对应的转置矩阵进行串联运算，得到分位数聚合特征。
在一实施例中，根据
Figure BDA0003408331770000086
得到第j分位数对应的转置矩阵，其中，j＝0，1，2，3，4。
根据
Figure BDA0003408331770000087
将所有分位数对应的转置矩阵进行串联运算，得到分位数聚合特征。其中，f2表示分位数聚合特征。
第四种融合方式为矩聚合。矩在描述分布特征方面也起着关键作用，平均值和标准差可以表示高斯分布，但实际分布需要更多的统计数据，因此，采用高阶矩实现对特征信息的需求和特征空间的降维之间实现平衡。本实施例中高阶矩可以为二阶、三阶和四阶。
矩聚合具体方式为：根据每个贴片对应的感知一致的映射特征和对应的平均特征向量，分别计算预设阶数矩；将平均特征向量转置矩阵和各个阶数矩进行聚合，得到矩聚合特征。
在一实施例中，根据
Figure BDA0003408331770000091
计算r阶数矩；其中，r＝2,3,4。mi表示fmean中的第i个元素，即第i个贴片对应的平均特征向量。
在根据上述各种融合方式得到对应的融合特征之后，即可进行目标质量预测分数的计算。
步骤105，对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
将步骤104得到的各种融合特征通过线性回归模型再加权平均，得到质量预测分数。可选的，使用四种方式进行特征融合，降低了特征空间的维数，最后采用偏最小二乘回归算法得出上述四种不同融合方式对应的预测分数和权重，根据预测分数和对应的权重进行加权平均得出质量预测分数。
在一实施例中，根据
Figure BDA0003408331770000092
得出质量预测分数。其中，S表示最终得到的质量预测分数，w1,w2,w3,w4表示权重，s1,s2,s3,s4表示四种不同融合方式对应的预测分数。
需要说明的是，在本实施例中，还可以选择其中的三种融合方式进行质量分数的预测。可选的，在四种融合方式中选择融合特征准确的方式，例如，平均方差聚合、分位数聚合以及矩聚合，根据上述偏最小二乘回归算法得出四种不同融合方式对应的预测分数和权重，根据预测分数和对应的权重进行加权平均得出质量预测分数，这样可以提高质量预测分数的准确性。此时根据
Figure BDA0003408331770000101
得出质量预测分数。
上述输电线路图像质量的评估方法，通过对图像预处理将图像裁剪成多个重叠贴片，用预训练图像分类模型提取深层语义特征，然后利用视觉显著性预测作为辅助子网络获得的显著特征图，再与深层语义特征进行融合以获得感知一致的特征映射，以丰富输电线路航拍图像中关注部件的特征信息；采用不同统计方式进行特征聚合，通过线性回归模型加权平均计算，得出质量预测分数，从而可以筛选出合格的高质量图像，为后续的图像分析处理工作提供了有效的保障。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的输电线路图像质量的评估装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，输电线路图像质量的评估装置包括：裁剪模块201、深层语义提取模块202、显著性预测模块203、融合处理模块204和质量预测模块205。
裁剪模块201，用于获取无人机拍摄的基于不同背景下的输电线路图像，并对输电线路图像裁剪为多个相同尺寸的贴片；
深层语义提取模块202，用于对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；
显著性预测模块203，用于对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；
融合处理模块204，用于将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；
质量预测模块205，用于对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
可选的，融合处理模块204将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合时，用于：
将每个贴片对应的特征和显著性信息进行映射特征，得到每个贴片对应的感知一致的映射特征；
根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征。
可选的，融合处理模块204根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征时，用于：
根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵；
计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对标准差矩阵进行转置计算，得到标准差转置矩阵；
将平均特征向量转置矩阵和标准差转置矩阵进行聚合，得到所有贴片聚合后的特征。
可选的，融合处理模块204根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵时，用于：
根据
Figure BDA0003408331770000111
得到所有贴片对应的平均特征向量转置矩阵；
其中，fmean表示平均特征向量转置矩阵，mi表示第i个贴片对应的平均特征向量，i＝(1,…,l)，l表示dki的维度，dki表示dk的第i个元素，dk表示第k个贴片对应的映射特征，k＝(1,2,3,…,n)，n表示贴片总数。
可选的，融合处理模块204计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对标准差矩阵进行转置计算，得到标准差转置矩阵时，用于：
根据
Figure BDA0003408331770000121
得到所有贴片对应的标准差转置矩阵；
其中，fstd表示标准差转置矩阵，Si表示第i个贴片对应的标准差。
可选的，融合处理模块204将平均特征向量转置矩阵和标准差转置矩阵进行聚合，得到所有贴片聚合后的特征时，用于：
根据
Figure BDA0003408331770000122
得到所有贴片聚合后的特征；
其中，f1表示所有贴片聚合后的特征，
Figure BDA0003408331770000123
表示串联运算符。
可选的，融合处理模块204根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征时，用于：
将所有贴片对应的映射特征分别采用四分位数表示，将每个贴片的相同分位数对应的映射特征构成矩阵，并计算矩阵的转置，得到所有分位数对应的转置矩阵；
将所有分位数对应的转置矩阵进行串联运算，得到分位数聚合特征。
可选的，融合处理模块204根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征时，用于：
根据每个贴片对应的感知一致的映射特征和对应的平均特征向量，分别计算预设阶数矩；
将平均特征向量转置矩阵和各个阶数矩进行聚合，得到矩聚合特征。
可选的，深层语义提取模块202对每个贴片进行深层语义特征提取，得到每个贴片对应的特征时，用于：
将每个贴片输入到预训练好的分类模型中进行特征提取，得到每个贴片对应的特征；
显著性预测模块203对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息时，用于：
采用显著性预测子网络对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息。
上述输电线路图像质量的评估装置，通过裁剪模块对图像预处理将图像裁剪成多个重叠贴片，深层语义提取模块用预训练图像分类模型提取深层语义特征，然后显著性预测模块利用视觉显著性预测作为辅助子网络获得的显著特征，再由特征映射模块将显著特征与深层语义特征进行融合以获得感知一致的特征映射，以丰富输电线路航拍图像中关注部件的特征信息；采用融合处理模块进行不同统计方式的特征聚合，质量预测模块通过线性回归模型加权平均计算，得出质量预测分数，从而可以筛选出合格的高质量图像，为后续的图像分析处理工作提供了有效的保障。
图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个输电线路图像质量的评估方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块/单元201至205的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的模块/单元201至205。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端3的示例，并不构成对终端3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元，例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个输电线路图像质量的评估方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种输电线路图像质量的评估方法，其特征在于，包括：
获取无人机拍摄的基于不同背景下的输电线路图像，并对所述输电线路图像裁剪为多个相同尺寸的贴片；
对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；
对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；
将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；
对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
2.根据权利要求1所述的输电线路图像质量的评估方法，其特征在于，所述将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征，包括：
将每个贴片对应的特征和显著性信息进行映射特征，得到每个贴片对应的感知一致的映射特征；
根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征。
3.根据权利要求2所述的输电线路图像质量的评估方法，其特征在于，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对所述平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵；
计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对所述标准差矩阵进行转置计算，得到标准差转置矩阵；
将所述平均特征向量转置矩阵和所述标准差转置矩阵进行聚合，得到所有贴片聚合后的特征。
4.根据权利要求3所述的输电线路图像质量的评估方法，其特征在于，所述根据每个贴片对应的感知一致的映射特征进行平均特征向量计算，得到所有贴片对应的平均特征向量矩阵，并对所述平均特征向量矩阵进行转置计算，得到平均特征向量转置矩阵，包括：
根据
Figure FDA0003408331760000021
得到所有贴片对应的平均特征向量转置矩阵；
其中，fmean表示平均特征向量转置矩阵，mi表示第i个贴片对应的平均特征向量，i＝(1,…,l)，l表示dki的维度，dki表示dk的第i个元素，dk表示第k个贴片对应的映射特征，k＝(1,2,3,…,n)，n表示贴片总数。
5.根据权利要求3所述的输电线路图像质量的评估方法，其特征在于，所述计算每个贴片对应的感知一致的映射特征和对应的平均特征向量之间的标准差，得到所有贴片对应的标准差矩阵，并对所述标准差矩阵进行转置计算，得到标准差转置矩阵，包括：
根据
Figure FDA0003408331760000022
得到所有贴片对应的标准差转置矩阵；
其中，fstd表示标准差转置矩阵，Si表示第i个贴片对应的标准差。
6.根据权利要求3所述的输电线路图像质量的评估方法，其特征在于，所述将所述平均特征向量转置矩阵和所述标准差转置矩阵进行聚合，得到所有贴片聚合后的特征，包括：
根据
Figure FDA0003408331760000023
得到所有贴片聚合后的特征；
其中，f1表示所有贴片聚合后的特征，⊕表示串联运算符。
7.根据权利要求2所述的输电线路图像质量的评估方法，其特征在于，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
将所有贴片对应的映射特征分别采用四分位数表示，将每个贴片的相同分位数对应的映射特征构成矩阵，并计算矩阵的转置，得到所有分位数对应的转置矩阵；
将所有分位数对应的转置矩阵进行串联运算，得到分位数聚合特征。
8.根据权利要求3所述的输电线路图像质量的评估方法，其特征在于，所述根据每个贴片对应的感知一致的映射特征进行不同方式的融合，得到不同融合方式对应的融合特征，包括：
根据每个贴片对应的感知一致的映射特征和对应的平均特征向量，分别计算预设阶数矩；
将所述平均特征向量转置矩阵和各个阶数矩进行聚合，得到矩聚合特征。
9.根据权利要求1-8中任一项所述的输电线路图像质量的评估方法，其特征在于，所述对每个贴片进行深层语义特征提取，得到每个贴片对应的特征，包括：
将每个贴片输入到预训练好的分类模型中进行特征提取，得到每个贴片对应的特征；
所述对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息，包括：
采用显著性预测子网络对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息。
10.一种输电线路图像质量的评估装置，其特征在于，包括：
裁剪模块，用于获取无人机拍摄的基于不同背景下的输电线路图像，并对所述输电线路图像裁剪为多个相同尺寸的贴片；
深层语义提取模块，用于对每个贴片进行深层语义特征提取，得到每个贴片对应的特征；
显著性预测模块，用于对每个贴片进行视觉显著性预测，得到每个贴片对应的显著性信息；
融合处理模块，用于将每个贴片对应的特征和显著性信息进行特征映射后采用不同方式进行特征融合，得到不同融合方式对应的融合特征；
质量预测模块，用于对不同方式对应的融合特征预测分数，并对得到的不同的预测分数进行加权求平均数计算，得到目标质量预测分数。
CN202111519852.8A 2021-12-13 2021-12-13 输电线路图像质量的评估方法及装置 Pending CN114170207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111519852.8A CN114170207A (zh) 2021-12-13 2021-12-13 输电线路图像质量的评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111519852.8A CN114170207A (zh) 2021-12-13 2021-12-13 输电线路图像质量的评估方法及装置

Publications (1)

Publication Number Publication Date
CN114170207A true CN114170207A (zh) 2022-03-11

Family

ID=80486000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111519852.8A Pending CN114170207A (zh) 2021-12-13 2021-12-13 输电线路图像质量的评估方法及装置

Country Status (1)

Country Link
CN (1) CN114170207A (zh)

Similar Documents

Publication Publication Date Title
CN111858869B (zh) 一种数据匹配方法、装置、电子设备和存储介质
CN111950723B (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
EP3719708A1 (en) Model test method and device
CN104023230B (zh) 一种基于梯度关联性的无参考图像质量评价方法
CN109949219B (zh) 一种超分辨率图像的重构方法、装置及设备
CN108960314B (zh) 基于难样本的训练方法、装置及电子设备
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN115546630A (zh) 基于遥感影像特征目标检测的工地提取方法和系统
CN110135413B (zh) 一种字符识别图像的生成方法、电子设备和可读存储介质
CN112991362B (zh) 一种基于混合高斯模型的色选机粘连物料图像分割方法
CN112989995B (zh) 文本检测方法、装置及电子设备
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN111104965A (zh) 车辆目标识别的方法及装置
CN111797737A (zh) 遥感目标检测方法及装置
CN109657546B (zh) 基于神经网络的视频行为识别方法及终端设备
CN111860623A (zh) 基于改进ssd神经网络的统计树木数量的方法及系统
CN114170207A (zh) 输电线路图像质量的评估方法及装置
CN115393470A (zh) 一种文物数字线图的绘制方法、绘制系统及绘制装置
CN110827243B (zh) 网格梁覆盖区域异常检测方法和装置
CN115631192A (zh) 一种阀门试压机的控制方法、装置、设备及介质
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN112581001B (zh) 设备的评估方法及装置、电子设备、可读存储介质
CN114964628A (zh) 一种氨气泄漏混洗自注意力轻量化红外检测方法及系统
CN112288748B (zh) 一种语义分割网络训练、图像语义分割方法及装置

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