CN114528892A - 一种基于深度学习的图像识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的图像识别方法，包括采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库；根据样本库构建卷积神经网络样本的训练集；根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型；当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别。本发明基于深度学习的图像识别方法来检测输电线破损的各种故障情况，利用图像自动识别的方式代替人工检测输电线，提高故障识别检测效率，降低人力成本，同时本发明将深度学习算法应用到输电线故障自动识别中，提高整体算法的鲁棒性及精度。

Description

一种基于深度学习的图像识别方法

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于深度学习的图像识别方法。

背景技术

架空输电线路一般长达几公里到几百公里。在这样狭长的范围内，线路设备长期露置在大自然的环境中运行，遭受各种气候条件的侵袭(如暴风雨、洪水冲刷、冰雪封冻、云雾、污秽、雷击等)；此外，还受有其它的外力破坏(如农田耕种机械撞击杆塔或拉线基础，树竹倾倒碰撞导线，线路附近修建施工取土，开山爆破，射击，来往车辆及吊车等撞断导线，风筝挂在导线上造成相间短路，鸟兽造成的接地短路等)。所有这些因素都随时地危及线路的安全运行。因此线路出现故障的机会较多，而且一旦发生故障，需要较长时间才能修复送电，会造成程度不同的损失。为了保证线路的安全运行，在线路运行过程中，必须贯彻安全第一，预防为主的方针，加强线路的巡视和检查，随时发现设备的缺陷和危及线路安全运行的因素，以便及时检修消除隐患，并制定安全措施，保障输电安全，减少对百姓生活的影响。输电线破损故障是一种危及输电安全的故障，在输电线破损的故障检测中，现有技术是工作人员用眼睛或用望远镜以及其他工具和仪器对输电线路的各部件进行观察、检查和测量。然而由于检测人员在工作过程中极易出现疲劳、遗漏等现象，造成漏检、错检的出现，影响输电线的故障检测准确度以及输电安全。

发明内容

本发明提供了一种基于深度学习的图像识别方法，克服了现有输电线破损故障检测准确率低及稳定性差的问题。

本发明通过以下技术方案来实现上述目的：

一种基于深度学习的图像识别方法，包括：

采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库；

根据样本库构建卷积神经网络样本的训练集；

根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型；

当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别。

进一步地，在采集不同型号输电线处于不同时间、地点和环境下的图片的步骤之后，还包括：

将输电线图片转换为同样格式，对输电线图片进行灰度化、直方图均衡、对比度增强的图片预处理操作。

进一步地，所述训练集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。

进一步地，在根据样本库构建卷积神经网络样本的训练集的步骤之后，还包括：

根据样本库构建卷积神经网络样本的测试集，其中，所述测试集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。

进一步地，所述训练集和所述测试集都是不均衡样本集合，所述正样本的数量大于所述负样本的数量。

进一步地，在根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型的步骤之后，还包括：

根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差。

进一步地，在根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差的步骤之后，还包括：

基于测试误差，对所述输电线故障检测模型的模型参数进行调整。

进一步地，在基于测试误差，对所述输电线故障检测模型的模型参数进行调整的步骤之后，还包括：

基于调整后的模型参数，继续根据测试集进行模型参数调整的过程，直至迭代次数达到预设次数。

进一步地，在基于调整后的模型参数，继续根据测试集进行模型参数调整的过程，直至迭代次数达到预设次数的步骤之后，还包括：

将迭代次数达到预设次数时所得到的模型参数作为训练好的输电线故障检测模型的模型参数。

进一步地，在当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别的步骤的具体过程为：

在摄像头拍摄的视频中截取输电线图片并对截取的输电线图片进行图片预处理操作，将其输入训练好的输电线故障检测模型中，得到最终分类识别结果。

通过采用上述技术方案，本发明主要有以下技术效果：基于深度学习的图像识别方法来检测输电线破损的各种故障情况，利用图像自动识别的方式代替人工检测输电线，提高故障识别检测效率，降低人力成本，同时本发明将深度学习算法应用到输电线故障自动识别中，提高整体算法的鲁棒性及精度。

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是本发明实施例一公开的基于深度学习的图像识别方法的流程示意图；

图2是本发明实施例二公开的基于深度学习的图像识别方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一：

参照图1，在本发明提出了一种基于深度学习的图像识别方法，包括以下步骤：

步骤11：采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库；

步骤12：根据样本库构建卷积神经网络样本的训练集；

步骤13：根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型；

步骤14：当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别。

如上述步骤11，采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库，其中，采集输电线图片后，将图片转换为相同格式，对图片进行灰度化、直方图均衡、对比度增强的图片预处理操作，有利于提高图像识别的精确度。

如上述步骤12，根据样本库构建卷积神经网络样本的训练集。与此同时，还包括根据样本库构建卷积神经网络样本的测试集，其中，所述训练集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。所述测试集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。所述训练集和所述测试集都是不均衡样本集合，与日常情况一致，所述正样本的数量大于所述负样本的数量。正样本范围较广，可以在日常生活中拍摄收集，负样本主要通过检测故障的图像提取以及小规模输电线故障实验拍摄收集。

如上述步骤13，根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型，其中，通过建立模型，能够有效提高故障检测的准确率和效率。

如上述步骤14，当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别，其中，具体过程为：在摄像头拍摄的视频中截取输电线图片并对截取的图片进行图片预处理操作，将其输入训练好的输电线故障检测模型中，得到最终分类识别结果。

实施例二：

参见图2，本发明实施例提供了一种基于深度学习的图像识别方法，包括以下步骤：

步骤21：采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库；本步骤的具体说明可以参见对步骤11的具体说明，这里不再赘述；

步骤22：根据样本库构建卷积神经网络样本的训练集；本步骤的具体说明可以参见对步骤12的具体说明，这里不再赘述；

步骤23：根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型；本步骤的具体说明可以参见对步骤13的具体说明，这里不再赘述；

步骤24：根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差；

步骤25：基于测试误差，对所述输电线故障检测模型的模型参数进行调整；

步骤26：基于调整后的模型参数，继续根据测试集进行模型参数调整的过程，直至迭代次数达到预设次数；

步骤27：将迭代次数达到预设次数时所得到的模型参数作为训练好的输电线故障检测模型的模型参数；

步骤28：当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别；本步骤的具体说明可以参见对步骤14的具体说明，这里不再赘述；

如上述步骤24，根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差，其中，在各级卷积层上，使用各级卷积层上的初始卷积核和初始偏置矩阵，对每个输电线图片分别进行卷积操作和最大池化操作，得到每个输电线图片在所述各级卷积层上的第一特征图像，对每个输电线图片在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个输电线图片在各级卷积层上的第二特征图像，根据每个输电线图片在各级卷积层上的第二特征图像确定每个输电线图片的特征向量，然后根据初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个输电线图片的类别概率向量，通过每个输电线图片的类别概率向量及每个训练图像的初始类别，计算类别误差。

在本发明实施例中，卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。所述模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量。通过测试集对模型参数进行调整，有利于提高输电线故障检测模型的准确性。

本发明提供的一种基于深度学习的图像识别方法主要有以下技术效果：基于深度学习的图像识别方法来检测输电线破损的各种故障情况，利用图像自动识别的方式代替人工检测输电线，提高故障识别检测效率，降低人力成本，同时本发明将深度学习算法应用到输电线故障自动识别中，提高整体算法的鲁棒性及精度。

上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。

Claims (10)

1.一种基于深度学习的图像识别方法，其特征在于，包括：

采集不同型号输电线处于不同时间、地点和环境下的图片，并建立样本库；

根据样本库构建卷积神经网络样本的训练集；

根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型；

当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别。

2.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，在所述采集不同型号输电线处于不同时间、地点和环境下的图片的步骤之后，还包括：

将输电线图片转换为同样格式，对输电线图片进行灰度化、直方图均衡、对比度增强的图片预处理操作。

3.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述训练集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。

4.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，在根据样本库构建卷积神经网络样本的训练集的步骤之后，还包括：

根据样本库构建卷积神经网络样本的测试集，其中，所述测试集包括两部分，分别为正常状态下的输电线图片组成的正样本和故障状态下的输电线图片组成的负样本。

5.根据权利要求4所述的一种基于深度学习的图像识别方法，其特征在于，所述训练集和所述测试集都是不均衡样本集合，所述正样本的数量大于所述负样本的数量。

6.根据权利要求4所述的一种基于深度学习的图像识别方法，其特征在于，在根据所述训练集对构建的卷积神经网络进行训练，得到输电线故障检测模型的步骤之后，还包括：

根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差。

7.根据权利要求6所述的一种基于深度学习的图像识别方法，其特征在于，在根据所述测试集对构建的输电线故障检测模型进行测试，计算测试误差的步骤之后，还包括：

基于测试误差，对所述输电线故障检测模型的模型参数进行调整。

8.根据权利要求7所述的一种基于深度学习的图像识别方法，其特征在于，在所述基于测试误差，对所述输电线故障检测模型的模型参数进行调整的步骤之后，还包括：

基于调整后的模型参数，继续根据测试集进行模型参数调整的过程，直至迭代次数达到预设次数。

9.根据权利要求8所述的一种基于深度学习的图像识别方法，其特征在于，在所述基于调整后的模型参数，继续根据测试集进行模型参数调整的过程，直至迭代次数达到预设次数的步骤之后，还包括：

将迭代次数达到预设次数时所得到的模型参数作为训练好的输电线故障检测模型的模型参数。

10.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，在当对输电线图片进行识别时，将获取的图片输入输电线故障检测模型进行识别的步骤的具体过程为：

在摄像头拍摄的视频中截取输电线图片并对截取的输电线图片进行图片预处理操作，将其输入训练好的输电线故障检测模型中，得到最终分类识别结果。

Images