CN114528892A - 一种基于深度学习的图像识别方法 - Google Patents
一种基于深度学习的图像识别方法 Download PDFInfo
- Publication number
- CN114528892A CN114528892A CN202011208990.XA CN202011208990A CN114528892A CN 114528892 A CN114528892 A CN 114528892A CN 202011208990 A CN202011208990 A CN 202011208990A CN 114528892 A CN114528892 A CN 114528892A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- picture
- deep learning
- fault detection
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208990.XA CN114528892A (zh) | 2020-11-03 | 2020-11-03 | 一种基于深度学习的图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208990.XA CN114528892A (zh) | 2020-11-03 | 2020-11-03 | 一种基于深度学习的图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528892A true CN114528892A (zh) | 2022-05-24 |
Family
ID=81618888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011208990.XA Pending CN114528892A (zh) | 2020-11-03 | 2020-11-03 | 一种基于深度学习的图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
-
2020
- 2020-11-03 CN CN202011208990.XA patent/CN114528892A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
CN117422935B (zh) * | 2023-12-13 | 2024-03-08 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN109902018B (zh) | 一种智能驾驶系统测试案例的获取方法 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN113536000B (zh) | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 | |
CN106056619A (zh) | 基于梯度约束Radon变换的无人机视觉电线巡检方法 | |
CN111091544A (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN116229380B (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN110929646A (zh) | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN114998576B (zh) | 一种输电线路开口销缺失检测方法、装置、设备和介质 | |
CN111127448A (zh) | 一种基于孤立森林检测空气弹簧故障的模型及方法 | |
CN111539302B (zh) | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN114528892A (zh) | 一种基于深度学习的图像识别方法 | |
CN112150412A (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN115656731A (zh) | 一种架空配电线路电弧接地故障点定位方法 | |
CN112837281B (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN114018219A (zh) | 一种输电杆塔振动监测方法、装置、设备及存储介质 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
Zhang et al. | Defect detection of anti-vibration hammer based on improved faster R-CNN | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
Hao et al. | Based on Surf feature extraction and insulator damage identification for capsule networks | |
CN112183191A (zh) | 一种基于对抗训练的检测输电线路中鸟巢的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220524 |