CN114529782A - 基于电网的模型训练方法及装置 - Google Patents

基于电网的模型训练方法及装置 Download PDF

Info

Publication number
CN114529782A
CN114529782A CN202210032628.4A CN202210032628A CN114529782A CN 114529782 A CN114529782 A CN 114529782A CN 202210032628 A CN202210032628 A CN 202210032628A CN 114529782 A CN114529782 A CN 114529782A
Authority
CN
China
Prior art keywords
image
power grid
model
labeled
training
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.)
Granted
Application number
CN202210032628.4A
Other languages
English (en)
Other versions
CN114529782B (zh
Inventor
张国昌
路建成
黄杰
周子强
赵铭
林镇锋
周海
刘兆平
田松林
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.)
Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Original Assignee
Shenzhen Digital Power Grid Research Institute of China Southern Power Grid 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 Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd filed Critical Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Priority to CN202210032628.4A priority Critical patent/CN114529782B/zh
Priority claimed from CN202210032628.4A external-priority patent/CN114529782B/zh
Publication of CN114529782A publication Critical patent/CN114529782A/zh
Application granted granted Critical
Publication of CN114529782B publication Critical patent/CN114529782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了基于电网的模型训练方法及装置，该方法包括：采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合，已标注图像集合包括已标注图像特征的每个电网对象的电网图像；对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合；根据复核图像集合对识别模型进行训练，得到目标识别模型；目标识别模型用于对电网平台中的目标电网对象执行操作，操作包括标注操作。可见，实施本发明通过识别模型对多个电网图像执行标注操作，提高电网图像的标注效率，保证标注质量，通过标注且复核后的电网图像训练识别模型，能够提高识别模型的训练准确性及可靠性。

Description

基于电网的模型训练方法及装置
技术领域
本发明涉及电网数据处理技术领域，尤其涉及基于电网的模型训练方法及装置。
背景技术
随着大数据及人工智能的快速发展，人工智能已经应用在电网的各个方面中，如输电通道隐患检测、变电站施工人员穿戴检测、配电塔头温度检测等，而上述功能的实现离不开对电网图片中的电网特征进行识别。
目前，通过人工对电网图片进行标注是识别电网特征的主流方法，而该主流方法存在标注效率低，耗费时间长，且容易出现因个人的理解不同而造成错标、漏标等问题，难以保证标注质量。
同时，由于电网特征的种类较多，且部分电网特征较为复杂，即使采用现有的识别模型进行标注的方式，也难以准确标注出每个电网特征，无法保证标注质量。
发明内容
本发明所要解决的技术问题在于，提供基于电网的模型训练方法及装置，能够采用训练出的目标识别模型对电网对象执行标注操作，提高了标注效率，保证标注质量，且通过复核图像集合训练目标识别模型，能够提高该目标识别模型的识别准确率，提高了标注质量。
为了解决上述技术问题，本发明第一方面公开了基于电网的模型训练方法，所述方法包括：
采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；
对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；
根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。
作为一种可选的实施方式，在本发明第一方面中，在所述通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合之前，所述方法还包括：
确定每个所述样本电网对象的类别信息，并根据每个所述样本电网对象的类别信息，确定每个所述样本电网对象的电网图像对应的优先级别；
根据每个所述电网图像对应的优先级别，对所有所述电网图像进行排序，得到电网图像标注序列；所述电网图像标注序列用于确定每个所述电网图像的标注顺序；
以及，所述通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，包括：
通过预置的识别模型和所述电网图像标注序列，对每个所述电网图像进行图像特征标注。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述复核图像集合对所述识别模型进行训练，包括：
根据预置的随机抽样算法，对所述复核图像集合进行分类，得到样本训练集合、样本测试集合以及样本验证集合；
将所述样本训练集合和所述样本测试集合输入所述识别模型进行训练，得到针对所述样本训练集合和所述样本测试集合的训练结果集合；
根据所述样本验证集合和所述训练结果集合，验证所述识别模型的识别率；
将所述识别模型的识别率与预置的识别期望阈值进行比较，并在所述识别模型的识别率小于所述识别期望阈值时，对所述识别模型的模型参数进行优化，得到优化后的识别模型；
将优化后的所述识别模型更新为预置的所述识别模型，并重新执行所述的根据所述复核图像集合对所述识别模型进行训练的操作，直至训练后的所述识别模型的识别率大于所述识别率期望阈值。
作为一种可选的实施方式，在本发明第一方面中，所述对所述识别模型的模型参数进行优化，得到优化后的识别模型，包括：
确定与每个所述电网图像对应的识别场景，并确定每个所述电网图像对应的识别场景的场景复杂度；
根据每个所述电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对所述识别模型的模型参数进行参数调优，得到优化后的识别模型；所述模型参数包括模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量。
作为一种可选的实施方式，在本发明第一方面中，所述通过预置的识别模型对每个所述电网图像进行标注，得到已标注图像集合，包括：
分析每个所述电网图像的图像信息，得到每个所述电网图像的图像质量信息，并根据每个所述电网图像的图像质量信息，确定每个所述电网图像对应的图像质量指标；所述图像信息包括图像尺寸信息、图像像素信息、颜色深度信息；
根据每个所述电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有所述电网图像中所述图像质量指标小于所述图像质量指标阈值的目标电网图像，并根据所有所述电网图像中除所述目标电网图像之外的所述电网图像生成质量图像集合；
通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合。
作为一种可选的实施方式，在本发明第一方面中，所述通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合，包括：
通过预置的识别模型分别识别所述质量图像集合中每个所述电网图像的第一图像特征，并确定所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数；
根据所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数，标注所述质量图像集合中每个所述电网图像的第一图像特征，并根据所述质量图像集合中所有已标注的所述电网图像生成已标注图像集合。
作为一种可选的实施方式，在本发明第一方面中，所述对所述已标注图像集合中每个所述电网图像进行图像特征复核，得到复核图像集合，包括：
分别对所述已标注图像集合中每个所述电网图像的图像特征进行重识别，得到所述已标注图像集合中每个所述电网图像的第二图像特征，并确定所述已标注图像集合中每个所述电网图像的第二图像特征的第二物理参数；对于所述已标注图像集合中任一所述电网图像，所述电网图像的第二图像特征与所述电网图像的第一图像特征相关联；
对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，判断所述电网图像的第一图像特征是否标注错误，并在判定所述电网图像的第一图像特征标注错误时，根据所述电网图像的第二图像特征的第二物理参数，调整所述电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定所述电网图像的第一图像特征无标注错误时，确定所述电网图像为无误电网图像；
根据所有所述复核电网图像和所有所述无误电网图像，生成复核图像集合；
以及，所述判断所述电网图像的第一图像特征是否标注错误，包括：
对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，确定所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值；
对于所述已标注图像集合中任一所述电网图像，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注错误，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注无误。
本发明第二方面公开了一种基于电网的模型训练装置，所述装置包括：
标注模块，用于采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；
复核模块，用于对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；
训练模块，用于根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
确定模块，用于确定每个所述样本电网对象的类别信息，并根据每个所述样本电网对象的类别信息，确定每个所述样本电网对象的电网图像对应的优先级别；
排序模块，用于根据每个所述电网图像对应的优先级别，对所有所述电网图像进行排序，得到电网图像标注序列；所述电网图像标注序列用于确定每个所述电网图像的标注顺序；
以及，所述标注模块中通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合的具体方式为：
通过预置的识别模型和所述电网图像标注序列，对每个所述电网图像进行图像特征标注。
作为一种可选的实施方式，在本发明第二方面中，所述训练模块中根据所述复核图像集合对所述识别模型进行训练的具体方式为：
根据预置的随机抽样算法，对所述复核图像集合进行分类，得到样本训练集合、样本测试集合以及样本验证集合；将所述样本训练集合和所述样本测试集合输入所述识别模型进行训练，得到针对所述样本训练集合和所述样本测试集合的训练结果集合；根据所述样本验证集合和所述训练结果集合，验证所述识别模型的识别率；将所述识别模型的识别率与预置的识别期望阈值进行比较，并在所述识别模型的识别率小于所述识别期望阈值时，对所述识别模型的模型参数进行优化，得到优化后的识别模型；将优化后的所述识别模型更新为预置的所述识别模型，并重新执行所述的根据所述复核图像集合对所述识别模型进行训练的操作，直至训练后的所述识别模型的识别率大于所述识别率期望阈值。
作为一种可选的实施方式，在本发明第二方面中，所述训练模块中对所述识别模型的模型参数进行优化，得到优化后的识别模型的具体方式为：
确定与每个所述电网图像对应的识别场景，并确定每个所述电网图像对应的识别场景的场景复杂度；根据每个所述电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对所述识别模型的模型参数进行参数调优，得到优化后的识别模型；所述模型参数包括模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量。
作为一种可选的实施方式，在本发明第二方面中，所述标注模块中通过预置的识别模型对每个所述电网图像进行标注，得到已标注图像集合的具体方式为：
分析每个所述电网图像的图像信息，得到每个所述电网图像的图像质量信息，并根据每个所述电网图像的图像质量信息，确定每个所述电网图像对应的图像质量指标；所述图像信息包括图像尺寸信息、图像像素信息、颜色深度信息；根据每个所述电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有所述电网图像中所述图像质量指标小于所述图像质量指标阈值的目标电网图像，并根据所有所述电网图像中除所述目标电网图像之外的所述电网图像生成质量图像集合；通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合。
作为一种可选的实施方式，在本发明第二方面中，所述标注模块中通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合的具体方式为：
通过预置的识别模型分别识别所述质量图像集合中每个所述电网图像的第一图像特征，并确定所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数；根据所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数，标注所述质量图像集合中每个所述电网图像的第一图像特征，并根据所述质量图像集合中所有已标注的所述电网图像生成已标注图像集合。
作为一种可选的实施方式，在本发明第二方面中，所述复核模块中对所述已标注图像集合中每个所述电网图像进行图像特征复核，得到复核图像集合的具体方式为：
分别对所述已标注图像集合中每个所述电网图像的图像特征进行重识别，得到所述已标注图像集合中每个所述电网图像的第二图像特征，并确定所述已标注图像集合中每个所述电网图像的第二图像特征的第二物理参数；对于所述已标注图像集合中任一所述电网图像，所述电网图像的第二图像特征与所述电网图像的第一图像特征相关联；对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，判断所述电网图像的第一图像特征是否标注错误，并在判定所述电网图像的第一图像特征标注错误时，根据所述电网图像的第二图像特征的第二物理参数，调整所述电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定所述电网图像的第一图像特征无标注错误时，确定所述电网图像为无误电网图像；根据所有所述复核电网图像和所有所述无误电网图像，生成复核图像集合；
以及，所述复核模块中判断所述电网图像的第一图像特征是否标注错误的具体方式为：
对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，确定所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值；对于所述已标注图像集合中任一所述电网图像，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注错误，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注无误。
本发明第三方面公开了另一种基于电网的模型训练装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于电网的模型训练方法。
本发明第四方面公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于电网的模型训练方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。可见，实施本发明通过识别模型对多个电网对象的电网图像执行标注操作，提高了电网图像的标注效率，保证标注质量，且通过标注且复核后的电网图像对识别模型进行训练，能够提高识别模型的训练准确性及可靠性，从而有利于提高该识别模型在实际应用中针对电网图像的识别准确率及效率，进而提高了电网图像的标注质量。
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是本发明实施例公开的基于电网的模型训练方法的流程示意图；
图2是本发明实施例公开的另一种基于电网的模型训练方法的流程示意图；
图3是本发明实施例公开的基于电网的模型训练装置的结构示意图；
图4是本发明实施例公开的另一种基于电网的模型训练装置的结构示意图；
图5是本发明实施例公开的又一种基于电网的模型训练装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了基于电网的模型训练方法及装置，能够采用训练出的目标识别模型对电网对象执行标注操作，提高了标注效率，保证标注质量，且通过复核图像集合训练目标识别模型，能够提高该目标识别模型的识别准确率，提高了标注质量。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的基于电网的模型训练方法的流程示意图。其中，图1所描述的基于电网的模型训练方法可以应用于提供电网工程、电网勘测等电网业务的互联网平台中，也可以应用于执行电网工程、电网勘测等电网项目的服务器中，也可以应用于执行电网工程、电网勘测等电网项目的客户端中，本发明实施例不做限定。如图1所示，该基于电网的模型训练方法可以包括以下操作：
步骤101，采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合。
其中，电网对象可以为处于电网的所有对象，电网对象可以包括高压电线、复核绝缘子、输电线路铁塔、防振锤等电网设备，样本电网对象可以为所有电网对象中与用户制定的电网运维策略对应的电网对象，针对样本电网对象的电网图像可以通过电网平台按照用户制定的电网运维策略在特定的时间、地点执行电网巡视计划时采集的，用户制定的电网运维策略可以为用户根据自己的需求设定的针对特定的电网对象的运维策略或针对所有的电网对象的运维策略，电网平台可以为提供电网工程、电网勘测等电网业务的互联网平台，已标注图像集合可以包括已标注图像特征的每个电网对象的电网图像，图像特征可以包括电网对象的整体特征、电网对象的局部特征。
在实际应用中，电网平台可以检测电网平台中是否存在用户制定的电网运维策略，进而电网平台可以按照用户制定的电网运维策略在特定的时间、特定的地点执行电网巡视计划，并通过图像采集设备采集电网中所有电网设备的电网图像，以完成对电网设备的巡视，如通过安装在电网设备中的图像采集设备或安装在无人机上的图像采集设备针对电网中的所有电网设备的电网图像。
在采集电网中所有电网设备的电网图像后，可以从所有电网设备的电网图像中确定与用户制定的电网运维策略对应的电网图像为样本电网图像，也可以直接确定所有电网设备的电网图像为样本电网图像，还可以通过互联网平台获取与电网设备相关的电网图像，进而可以通过预置的识别模型识别每个电网图像中的图像特征并对每个电网图像中的图像特征进行标注，得到已标注图像集合。
在一个可选的实施例中，在检测到电网平台中不存在针对电网对象的电网运维策略时，电网平台可以获取在日常执行的电网巡视计划时采集的针对电网对象的电网图像，也可以通过互联网平台获取各种电网对象的电网图像，以丰富样本电网对象的种类。
在一个可选的实施例中，在通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合之前，该方法还可以包括如下步骤：
确定每个样本电网对象的类别信息，并根据每个样本电网对象的类别信息，确定每个样本电网对象的电网图像对应的优先级别；根据每个电网图像对应的优先级别，对所有电网图像进行排序，得到电网图像标注序列。
其中，类别信息可以为样本电网对象所属的类别，如铁塔类别、线路类别、电气设备类别等，类别信息也可以为样本电网对象在实际中所处的位置，如A输电线路铁塔第3线路、A输电线路铁塔第4线路等，优先级别可以为电网图像的标注时的优先级，电网图像标注序列可以用于确定每个电网图像的标注顺序。
在采集电网中所有电网设备的电网图像后，可以确定样本电网对象所属的类别，也可以确定样本电网对象实际所处的位置，进而可以按照样本电网对象所属类别或样本电网对象所处位置，对所有样本电网对象进行分类，得到每个类别对应的至少一个电网对象，进而可以按照用户制定的电网运维策略确定不同类别在标注时的优先级别，对所有电网图像进行排序，得到电网图像标注序列。
例如，用户制定的电网运维策略可以为针对线路对象的运维策略，进而可以优先对线路对象对应的电网图像进行标注，即线路对象的电网图像对应的优先级别可以为所有电网对象对应的优先级别中最高的优先级别，用户制定的电网运维策略也可以为针对A输电线路铁塔的电网对象的运维策略，进而可以优先对A输电线路铁塔中至少一个电网对象对应的电网图像进行标注。
在实际应用中，通过确定所有电网图像的优先级别并对所有电网图像进行排序，可以对不同类别的电网对象对应的电网图像进行标注，进而可以通过标注大量特定的电网对象中的特定图像特征，提高标注特定图像特征的准确性；也可以通过新增电网对象的类别，进而可以标注更多类别的电网对象的图像特征，以增加预置的识别模型的宽度和深度，以及实现识别模型中识别算法的扩充。
在一个可选的实施例中，步骤101中通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合的步骤可以包括如下子步骤：
子步骤11，通过预置的识别模型和电网图像标注序列，对每个电网图像进行图像特征标注，得到已标注图像集合。
在得到电网图像标注序列后，可以按照电网图像标注序列，依次将每个电网图像输入至预置的识别模型，以根据识别模型对每个电网图像进行图像特征标注，得到已标注图像集合。
在实际应用中，可以通过按照电网图像标注序列依次将每个电网图像输入至预置的识别模型，进而可以优先对特定的电网对象进行标注，满足用户的需求，提高用户的使用体验。
步骤102，对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合。
其中，复核图像集合可以包括标注图像集合中所有完成图像特征复核的电网图像。
在得到已标注图像集合后，可以对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合。
在实际应用中，在采用识别模型对样本电网图像进行图像特征识别，可能会出现图像特征识别错误的情况，如漏识别、特征对象错误等，以及在采用识别模型对电网图像中的图像特征进行标注时，可能会出现标注错误的情况，如标注对象错误、标注位置错误、漏标注等，进而在得到已标注图像集合后，可以通过对已标注图像集合中每个电网图像的图像特征进行图像特征复核，提高对每个电网图像的图像特征的识别率，提高对每个电网图像的图像特征的标注质量。
作为一种可选的实施方式，在得到已标注图像集合后，可以通过预先存储的针对所有电网对象的标准电网图像，并识别该标准电网图像中的图像特征，进而可以将已标注图像集合的电网图像与标准电网图像进行图像特征比对，以检测已标注图像集合的电网图像中所识别出的图像特征是否有误。
其中，标准电网图像可以包括正常情况下电网对象在图像采集范围内的所有电网图像特征，电网图像特征可以为图像特征中与电网设备相关的图像特征，电网图像特征可以包括电网图像中输电线路铁塔的螺栓、复合绝缘子的绝缘件等，标准电网图像可以包括针对所有电网图像特征的标注信息，标注信息可以包括标注框的位置信息、标注类型信息。
在实际应用中，可以确定标准电网图像中每个图像特征的特征轮廓信息，以及确定标准电网图像中图像特征的特征数量信息，并确定已标注图像集合的电网图像中每个图像特征的特征轮廓信息，以及确定已标注图像集合的电网图像中图像特征的特征数量信息，进而可以将标准电网图像中的特征轮廓信息与已标注图像集合的电网图像中的特征轮廓信息依次进行比对，以及将标准电网图像中的特征数量信息与已标注图像集合的电网图像中的特征数量信息依次进行比对，在检测到标准电网图像中的特征轮廓信息与已标注图像集合的电网图像中的特征轮廓信息的匹配程度大于预设的匹配阈值，且标准电网图像中的特征数量信息与已标注图像集合的电网图像中的特征数量信息一致时，确定已标注图像集合的电网图像中所识别出的图像特征无误，在检测到标准电网图像中的特征轮廓信息与已标注图像集合的电网图像中的特征轮廓信息的匹配程度小于预设的匹配阈值，和/或，标准电网图像中的特征数量信息与已标注图像集合的电网图像中的特征数量信息不一致时，确定已标注图像集合的电网图像中所识别出的图像特征有误。
在具体实施中，通过对标准电网图像中的特征轮廓信息与已标注图像集合的电网图像中的特征轮廓信息进行比对，可以确定采用识别模型对样本电网图像进行图像特征识别时，是否出现特征对象错误等情况，通过对标准电网图像中的特征数量信息与已标注图像集合的电网图像中的特征数量进行比对，可以确定采用识别模型对样本电网图像进行图像特征识别时，是否出现漏识别等情况。
在对已标注图像集合中每个电网图像进行图像特征识别复核后，可以确定标准电网图像中每个图像特征的特征位置信息，并根据标准电网图像中每个图像特征的特征位置信息，生成针对标准电网图像中每个图像特征的标注框，以及确定标准电网图像中标注框的标注框个数，可以确定已标注图像集合的电网图像中每个图像特征的特征位置信息，并根据已标注图像集合的电网图像中每个图像特征的特征位置信息，生成针对已标注图像集合的电网图像中每个图像特征的标注框，以及确定已标注图像集合的电网图像中标注框的标注框个数，进而可以将已标注图像集合的电网图像与标准电网图像进行标注框的位置比对，以及将已标注图像集合的电网图像中每个图像特征的标注框与标准电网图像中每个图像特征的标注框进行标注框个数比对，以检测已标注图像集合的电网图像中对所有图像特征的标注是否有误。
在检测到已标注图像集合的电网图像中每个图像特征的标注框的位置与标准电网图像中每个图像特征的标注框的位置一致时，则可以确定采用识别模型对样本电网图像进行图像特征标注时，没有出现标注对象错误或标注位置错误的情况，反之，则可以确定采用识别模型对样本电网图像进行图像特征标注时，出现标注对象错误或标注位置错误的情况，在检测到已标注图像集合的电网图像中每个图像特征的标注框的标注框个数与标准电网图像中每个图像特征的标注框的标注框个数一致时，则可以确定采用识别模型对样本电网图像进行图像特征标注时，没有出现漏标注等情况，反之，则可以确定采用识别模型对样本电网图像进行图像特征标注时，出现漏标注等情况。
在一个可选的实施例中，在对已标注图像集合中每个电网图像进行图像特征复核，得到复核图像集合后，还可以通过相关技术人员对复核图像集合中所有电网图像进行图像特征的人工复核，进而可以进一步提高复核图像集合中每个电网图像的图像特征的识别率，提高复核图像集合中每个电网图像的图像特征的标注质量。
在实际应用中，可以预先设定人工复核的频次，如三天一次、一周一次等，进而可以在提高电网图像的图像特征的识别率以及电网图像的图像特征的标注质量的同时，减少人工复核的次数，从而减少模型训练的时间，提高模型训练效率。
步骤103，根据复核图像集合对识别模型进行训练，得到目标识别模型。
其中，目标识别模型可以用于对电网平台中的目标电网对象执行操作，操作包括可以图像特征标注操作、图像特征识别操作。
在得到复核图像集合后，可以选择基于PyTorch框架的yolov5(You Only LiveOnce V5，基于深度神经网络的对象识别和定位算法的第五版本)，将复核图像集合中每个电网图像依次输入至识别模型进行训练，进而可以在识别模型训练完成后，得到目标识别模型。
在实际应用中，通过将复核后的电网图像输入至识别模型进行训练，可以减少因对电网图像的图像特征的错误识别、错误标注等问题而导致识别模型的训练质量下降的情况，提高所得到的目标识别模型针对每个电网图像的图像特征识别率和标注质量。
在具体实施中，由于非电力专业的用户缺乏相应的电力知识，如电网管理班组人员，并不能完全辨别对电网图像中针对电网设备的图像特征，进而不能由非电力专业的用户执行电网图像的标注等工作，即对电网图像进行标注存在局限性，在得到目标识别模型后，可以采用目标识别模型对电网平台中的目标电网对象执行电网图像的图像特征识别操作以及图像特征标注操作，且目标识别模型可以向电网平台的用户提供针对电网图像所识别的图像特征的放大缩小、一键确认识别结果和/或标注结果、调节亮度、切换图片等功能，进而可以非电力专业的用户根据目标识别模型所识别和/或所标注的图像特征，在线对电网图像进行编辑和标注，解决了非电力专业的用户不能执行电网图像的标注的问题，拓宽了对电网图像进行标注的局限性。
在一个可选的实施例中，步骤103可以包括如下子步骤：
子步骤21，根据预置的随机抽样算法，对复核图像集合进行分类，得到样本训练集合、样本测试集合以及样本验证集合。
其中，随机抽样算法可以为等概率抽样，样本训练集合可以包括复核图像集合中用于训练识别模型的至少一个电网图像，样本测试集合可以包括复核图像集合中用于测试识别模型的至少一个电网图像，样本验证集合可以包括复核图像集合中用于验证识别模型的至少一个电网图像。
在得到复核图像集合后，可以根据预置的随机抽样算法，从复核图像集合的所有电网图像中任意选取用于训练识别模型的至少一个电网图像、用于测试识别模型的至少一个电网图像以及用于验证识别模型的至少一个电网图像，进而可以根据用于训练识别模型的至少一个电网图像、用于测试识别模型的至少一个电网图像以及用于验证识别模型的至少一个电网图像，生成样本训练集合、样本测试集合以及样本验证集合。
子步骤22，将样本训练集合和样本测试集合输入识别模型进行训练，得到针对样本训练集合和样本测试集合的训练结果集合。
其中，训练结果集合可以包括将样本训练集合和样本测试集合中每个电网图像输入至识别模型所得到的训练结果。
在得到样本训练集合、样本测试集合以及样本验证集合后，可以将样本训练集合和样本测试集合中每个电网图像输入至识别模型，进而识别模型可以输出针对样本训练集合和样本测试集合中每个电网图像的训练结果，得到训练结果集合。
子步骤23，根据样本验证集合和训练结果集合，验证识别模型的识别率。
其中，识别模型的识别率可以为识别模型正确识别并标注电网图像的图像特征的正确率。
在得到训练结果集合后，可以据样本验证集合和训练结果集合，验证识别模型的识别率。
子步骤24，将识别模型的识别率与预置的识别期望阈值进行比较，并在识别模型的识别率小于识别期望阈值时，对识别模型的模型参数进行优化，得到优化后的识别模型。
其中，识别期望阈值可以为人为设定的值，识别期望阈值也可以根据实际业务场景设定的，实际业务场景可以包括隐患识别场景、缺陷识别场景等，隐患识别场景可以为针对电网设备安全隐患识别的场景，缺陷识别场景可以为针对电网设备缺陷识别，模型参数可以包括模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量。
在得到识别模型的识别率后，可以将识别模型的识别率与预置的识别期望阈值进行比较，并在确定识别模型的识别率小于识别期望阈值时，对识别模型的模型参数进行优化，如对模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量等模型参数进行调整，得到优化后的识别模型。
在实际应用中，由于隐患识别场景为针对电网设备安全隐患识别的场景，缺陷识别场景为针对电网设备缺陷识别的场景，而电网设备的安全隐患对整个电网的危害较大，电网设备的缺陷对整个电网的危害较小，则可以设定隐患识别场景的识别期望阈值大于缺陷识别场景的识别期望阈值，如隐患识别场景的识别期望阈值可以设定为95％，缺陷识别场景的识别期望阈值可以设定为90％。
在具体实施中，由于模型学习率参数越大，识别模型训练的效率也越高，但容易在训练时出现梯度爆炸和振荡等情况，导致训练后的识别模型不收敛于最优解，降低训练后的识别模型针对每个电网图像的图像特征识别率和标注质量，则在对识别模型的模型参数进行优化时，可以设定一定轮数前的识别模型的模型学习率参数大于一定轮数后的识别模型的模型学习率参数，即在刚开始训练时，通过提高模型学习率参数，来提高识别模型的训练效率，并在预设的训练轮数后，降低识别模型的训练效率，使得识别模型逐渐收敛于最优解，提高训练后的识别模型针对每个电网图像的图像特征识别率和标注质量。
在一个可选的实施例中，在识别模型的识别率大于识别期望阈值时，可以认为该识别模型即使再进行识别模型的训练，该识别模型的识别率也不会增大，且该识别模型针对每个电网图像的图像特征识别率和标注质量满足用户的需求，可用于对电网平台中的目标电网对象执行操作，进而可以确定识别率大于识别期望阈值的识别模型为目标识别模型。
作为一种可选的实施方式，子步骤24中对识别模型的模型参数进行优化，得到优化后的识别模型的具体实施方式还可以为：
确定与每个电网图像对应的识别场景，并确定每个电网图像对应的识别场景的场景复杂度；根据每个电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对识别模型的模型参数进行参数调优，得到优化后的识别模型。
其中，识别场景可以包括所有电网对象所处区域的场景，如电网对象为输电线路铁塔所处的区域一般为深山场景或密林场景或荒野场景等等，场景复杂度可以为电网对象所处区域的场景的复杂度，模型训练策略可以包括针对不同识别场景的模型训练策略，模型训练策略可以为对识别场景的场景复杂度对应的模型参数进行调整的策略。
在确定识别模型的识别率小于识别期望阈值时，可以根据每个电网对象所处区域，确定每个电网对象的电网图像对应的识别场景，并通过对电网图像进行图像处理以及图像特征的识别，确定电网图像对应的识别场景的场景复杂度。
在确定电网图像对应的识别场景的场景复杂度后，可以根据每个电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对识别模型的模型参数进行参数调优，得到优化后的识别模型。
在实际应用中，由于电网对象所处区域的场景中可能会存在除电网对象之外的对象，如树木、建筑等，进而会在训练识别模型时，在识别电网图像中的图像特征时识别到除电网对象之外的对象对应的图像特征，造成不必要的干扰，降低识别模型针对每个电网图像的图像特征识别率，则可以通过确定电网图像对应的识别场景的场景复杂度，并根据模型训练策略确定出与识别场景对应的模型参数，进而可以按照模型训练策略对识别模型中与识别场景对应的模型参数进行调整，如对模型深度参数和/或模型宽度参数进行调整，减少在在训练识别模型时识别到除电网对象之外的对象对应的图像特征的情况，减少其他不必要的干扰，进一步提高识别模型针对每个电网图像的图像特征识别率。
例如，在确定出识别场景为荒野场景时，可以确定出与识别场景为荒野场景所对应的模型参数为模型深度参数以及模型宽度参数，进而可以按照模型训练策略对识别模型中的模型深度参数调整为0.33，对识别模型中的模型宽度参数调整为0.50。
子步骤25，将优化后的识别模型更新为预置的识别模型，并重新执行的根据复核图像集合对识别模型进行训练的操作，直至训练后的识别模型的识别率大于识别率期望阈值。
在得到优化后的识别模型后，可以将优化后的识别模型更新为预置的识别模型，并重新执行的根据复核图像集合对识别模型进行训练的操作，直至训练后的识别模型的识别率大于识别率期望阈值。
可见，该可选的实施例能够采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。可见，实施本发明通过识别模型对多个电网对象的电网图像执行标注操作，提高了电网图像的标注效率，保证标注质量，且通过标注且复核后的电网图像对识别模型进行训练，能够提高识别模型的训练准确性及可靠性，从而有利于提高该识别模型在实际应用中针对电网图像的识别准确率及效率，进而提高了电网图像的标注质量。
实施例二
请参阅图2，图2是本发明实施例公开的另一种基于电网的模型训练方法的流程示意图。其中，图2所描述的基于电网的模型训练方法可以应用于提供电网工程、电网勘测等电网业务的互联网平台中，也可以应用于执行电网工程、电网勘测等电网项目的服务器中，也可以应用于执行电网工程、电网勘测等电网项目的客户端中，本发明实施例不做限定。如图2所示，该基于电网的模型训练方法可以包括以下操作：
步骤201，采集针对至少一个样本电网对象的电网图像。
步骤202，分析每个电网图像的图像信息，得到每个电网图像的图像质量信息，并根据每个电网图像的图像质量信息，确定每个电网图像对应的图像质量指标。
其中，图像信息可以包括图像尺寸信息、图像像素信息、颜色深度信息，图像质量信息可以用于表示电网图像的逼真度和可读懂性，图像质量指标可以基于图像质量信息对电网图像的图像质量的评价值。
在得到每个样本电网对象的电网图像后，可以对每个电网图像进行图像质量分析，确定每个电网图像的图像尺寸信息、图像像素信息、颜色深度信息，并根据图像尺寸信息、图像像素信息以及颜色深度信息，确定每个电网图像的逼真度和可读懂性，进而可以对每个电网图像的逼真度和可读懂性进行加权计算，得到每个电网图像对应的图像质量指标。
步骤203，根据每个电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有电网图像中图像质量指标小于图像质量指标阈值的目标电网图像，并根据所有电网图像中除目标电网图像之外的电网图像生成质量图像集合。
其中，图像质量指标阈值可以为人为设定的值，图像质量指标阈值可以用于确定图像质量过小的电网图像，目标电网图像可以为图像质量过小的电网图像，质量图像集合可以包括所有电网图像中除目标电网图像之外的电网图像。
在得到每个电网图像对应的图像质量指标后，可以依次对每个电网图像对应的图像质量指标和预设的图像质量指标阈值，进而可以确定所有电网图像中图像质量指标小于图像质量指标阈值的目标电网图像，并从所有电网图像中过滤所有目标电网图像，可以根据所有电网图像中除目标电网图像之外的电网图像生成质量图像集合。
在实际应用中，若某个图像的图像质量过小，则对该图像进行图像特征识别和/或对该图像进行图像特征标注，会存在较大的偏差，而采用图像质量过小的图像对识别模型进行训练，不利于识别模型收敛，即降低训练后的识别模型针对每个电网图像的图像特征识别率和标注质量，则可以确定图像质量指标小于图像质量指标阈值的电网图像为图像质量过小的电网图像，进而可以对图像质量指标小于图像质量指标阈值的电网图像进行过滤，减少采用图像质量过小的图像对识别模型进行训练而降低训练后的识别模型针对每个电网图像的图像特征识别率和标注质量的情况。
步骤204，通过预置的识别模型，依次标注质量图像集合中所有电网图像的图像特征，并根据所有已标注的电网图像生成已标注图像集合。
在生成质量图像集合后，可以通过预置的识别模型，依次标注质量图像集合中所有电网图像的图像特征，并根据所有已标注的电网图像生成已标注图像集合。
在实际应用中，可以采用实施例一中通过预置的识别模型对每个电网图像进行图像特征标注的方式对质量图像集合中所有电网图像的图像特征进行标注。
在一个可选的实施例中，步骤204可以包括如下子步骤：
子步骤31，通过预置的识别模型分别识别质量图像集合中每个电网图像的第一图像特征，并确定质量图像集合中每个电网图像的第一图像特征的第一物理参数。
其中，物理参数可以为图像特征在电网图像中的轮廓信息和位置信息，第一图像特征可以包括电网图像中所有图像特征，第一物理参数可以包括电网图像中所有图像特征的物理参数。
在生成质量图像集合后，可以通过预置的识别模型分别识别质量图像集合中每个电网图像的第一图像特征，并确定质量图像集合中每个电网图像的第一图像特征的第一物理参数。
子步骤32，根据质量图像集合中每个电网图像的第一图像特征的第一物理参数，标注质量图像集合中每个电网图像的第一图像特征，并根据质量图像集合中所有已标注的电网图像生成已标注图像集合。
在确定质量图像集合中每个电网图像的第一图像特征的第一物理参数后，对于质量图像集合中任一电网图像，可以依次根据该电网图像的第一图像特征的位置信息，生成针对该电网图像中每个图像特征的标注框，并根据该电网图像的第一图像特征的位置信息和轮廓信息，确定该电网图像中每个图像特征是否存在缺陷，并将每个图像特征是否存在缺陷的情况确定为该电网图像中每个图像特征的标注框的标注内容。
在实际应用中，在生成针对该电网图像中每个图像特征的标注框，以及确定每个图像特征的标注框的标注内容后，还可以通过识别模型确定每个图像特征的标注框以及每个图像特征的标注框的标注内容的置信度。
在对质量图像集合中每个电网图像进行标注后，可以根据质量图像集合中所有已标注的电网图像生成已标注图像集合。
作为一种可选的实施方式，在对质量图像集合中每个电网图像进行标注后，还可以对对质量图像集合中每个电网图像进行样本增强，统一质量图像集合中每个电网图像的图像质量，减少不同的电网图像的图像质量之间的差异，从而减少因采用图像质量之间存在差异的电网图像对识别模型进行训练的影响，增强识别模型的鲁棒性和防止识别模型过拟合，进一步提高识别模型针对每个电网图像的图像特征识别率。
其中，样本增强可以包括针对电网图像的水平翻转、角度旋转、饱和度调整、曝光量调整、色调调整、随机裁剪、平移变换、光照变换等图像处理方式。
步骤205，对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合。
在一个可选的实施例中，步骤205可以包括如下子步骤：
子步骤41，分别对已标注图像集合中每个电网图像的图像特征进行重识别，得到已标注图像集合中每个电网图像的第二图像特征，并确定已标注图像集合中每个电网图像的第二图像特征的第二物理参数。
其中，对于已标注图像集合中任一电网图像，电网图像的第二图像特征可以与电网图像的第一图像特征相关联，第二图像特征可以为针对该电网图像中第一图像特征识别的图像特征，第二物理参数可以为第二图像特征的物理参数。
在得到已标注图像集合后，可以分别对已标注图像集合中每个电网图像的图像特征进行重识别，得到已标注图像集合中每个电网图像的第二图像特征，并确定已标注图像集合中每个电网图像的第二图像特征的第二物理参数。
在实际应用中，可以通过相关专业人员对已标注图像集合中每个电网图像的图像特征进行重识别，得到已标注图像集合中每个电网图像的第二图像特征。
子步骤42，对于已标注图像集合中任一电网图像，根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，判断电网图像的第一图像特征是否标注错误，并在判定电网图像的第一图像特征标注错误时，根据电网图像的第二图像特征的第二物理参数，调整电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定电网图像的第一图像特征无标注错误时，确定电网图像为无误电网图像。
其中，复核电网图像可以为对所有电网图像中第一图像特征的第一物理参数有误且对第一物理参数调整后的电网图像，无误电网图像可以为所有电网图像中第一图像特征无标注错误的电网图像。
在得到已标注图像集合中每个电网图像的第二图像特征的第二物理参数后，对于已标注图像集合中任一电网图像，可以根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，判断电网图像的第一图像特征是否标注错误，并在判定电网图像的第一图像特征标注错误时，可以根据电网图像的第二图像特征的第二物理参数，调整电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定电网图像的第一图像特征无标注错误时，可以确定电网图像为无误电网图像。
作为一种可选的实施方式，可以通过如下方式判断电网图像的第一图像特征是否标注错误：
对于已标注图像集合中任一电网图像，根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，确定电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值；在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定电网图像的第一图像特征标注错误，在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定电网图像的第一图像特征标注无误。
其中，偏差值阈值可以用于判断电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值是否过大。
在得到已标注图像集合中每个电网图像的第二图像特征的第二物理参数后，对于已标注图像集合中任一电网图像，可以根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，确定电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值，进而可以在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定电网图像的第一图像特征标注错误，以及可以在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定电网图像的第一图像特征标注无误。
子步骤43，根据所有复核电网图像和所有无误电网图像，生成复核图像集合。
在得到所有复核电网图像和所有无误电网图像后，可以根据所有复核电网图像和所有无误电网图像，生成复核图像集合。
步骤206，根据复核图像集合对识别模型进行训练，得到目标识别模型。
可见，该可选的实施例能够采集针对至少一个样本电网对象的电网图像，分析每个电网图像的图像信息，得到每个电网图像的图像质量信息，并根据每个电网图像的图像质量信息，确定每个电网图像对应的图像质量指标，根据每个电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有电网图像中图像质量指标小于图像质量指标阈值的目标电网图像，并根据所有电网图像中除目标电网图像之外的电网图像生成质量图像集合，通过预置的识别模型，依次标注质量图像集合中所有电网图像的图像特征，并根据所有已标注的电网图像生成已标注图像集合对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合根据复核图像集合对识别模型进行训练，得到目标识别模型。可见，实施本发明通过识别模型对多个电网对象的电网图像执行标注操作，提高了电网图像的标注效率，保证标注质量，且能够对采集的电网图像进行过滤、复核，再采用过滤以及复核后的电网图像对识别模型进行训练，减少因采用存在差异的电网图像对识别模型进行训练的影响，提高了识别模型的训练准确性及可靠性，从而提高了该识别模型在实际应用中针对每个电网图像的图像特征识别率及效率，进而提高了电网图像的标注质量。
实施例三
请参阅图3，图3是本发明实施例公开的基于电网的模型训练装置的结构示意图。其中，图3所描述的基于电网的模型训练装置可以应用于提供电网工程、电网勘测等电网业务的互联网平台中，也可以应用于执行电网工程、电网勘测等电网项目的服务器中，也可以应用于执行电网工程、电网勘测等电网项目的客户端中，本发明实施例不做限定。如图3所示，该基于电网的模型训练装置可以包括：
标注模块301，用于采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合，已标注图像集合包括已标注图像特征的每个电网对象的电网图像；
复核模块302，用于对已标注图像集合中每个电网图像的图像特征进行图像特征复核，得到复核图像集合；
训练模块303，用于根据复核图像集合对识别模型进行训练，得到目标识别模型；目标识别模型用于对电网平台中的目标电网对象执行操作，操作包括标注操作。
作为一种可选的实施方式，参阅图4，图4是本发明实施例公开的另一种基于电网的模型训练装置的结构示意图，如图4所示，该装置还包括：
确定模块304，用于确定每个样本电网对象的类别信息，并根据每个样本电网对象的类别信息，确定每个样本电网对象的电网图像对应的优先级别；
排序模块305，用于根据每个电网图像对应的优先级别，对所有电网图像进行排序，得到电网图像标注序列；电网图像标注序列用于确定每个电网图像的标注顺序；
以及，标注模块301中通过预置的识别模型对每个电网图像进行图像特征标注，得到已标注图像集合的具体方式为：
通过预置的识别模型和电网图像标注序列，对每个电网图像进行图像特征标注。
作为一种可选的实施方式，训练模块303中根据复核图像集合对识别模型进行训练的具体方式为：
根据预置的随机抽样算法，对复核图像集合进行分类，得到样本训练集合、样本测试集合以及样本验证集合；将样本训练集合和样本测试集合输入识别模型进行训练，得到针对样本训练集合和样本测试集合的训练结果集合；根据样本验证集合和训练结果集合，验证识别模型的识别率；将识别模型的识别率与预置的识别期望阈值进行比较，并在识别模型的识别率小于识别期望阈值时，对识别模型的模型参数进行优化，得到优化后的识别模型；将优化后的识别模型更新为预置的识别模型，并重新执行的根据复核图像集合对识别模型进行训练的操作，直至训练后的识别模型的识别率大于识别率期望阈值。
作为一种可选的实施方式，训练模块303中对识别模型的模型参数进行优化，得到优化后的识别模型的具体方式为：
确定与每个电网图像对应的识别场景，并确定每个电网图像对应的识别场景的场景复杂度；根据每个电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对识别模型的模型参数进行参数调优，得到优化后的识别模型；模型参数包括模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量。
作为一种可选的实施方式，标注模块301中通过预置的识别模型对每个电网图像进行标注，得到已标注图像集合的具体方式为：
分析每个电网图像的图像信息，得到每个电网图像的图像质量信息，并根据每个电网图像的图像质量信息，确定每个电网图像对应的图像质量指标；图像信息包括图像尺寸信息、图像像素信息、颜色深度信息；根据每个电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有电网图像中图像质量指标小于图像质量指标阈值的目标电网图像，并根据所有电网图像中除目标电网图像之外的电网图像生成质量图像集合；通过预置的识别模型，依次标注质量图像集合中所有电网图像的图像特征，并根据所有已标注的电网图像生成已标注图像集合。
作为一种可选的实施方式，标注模块301中通过预置的识别模型，依次标注质量图像集合中所有电网图像的图像特征，并根据所有已标注的电网图像生成已标注图像集合的具体方式为：
通过预置的识别模型分别识别质量图像集合中每个电网图像的第一图像特征，并确定质量图像集合中每个电网图像的第一图像特征的第一物理参数；根据质量图像集合中每个电网图像的第一图像特征的第一物理参数，标注质量图像集合中每个电网图像的第一图像特征，并根据质量图像集合中所有已标注的电网图像生成已标注图像集合。
作为一种可选的实施方式，复核模块302中对已标注图像集合中每个电网图像进行图像特征复核，得到复核图像集合的具体方式为：
分别对已标注图像集合中每个电网图像的图像特征进行重识别，得到已标注图像集合中每个电网图像的第二图像特征，并确定已标注图像集合中每个电网图像的第二图像特征的第二物理参数；对于已标注图像集合中任一电网图像，电网图像的第二图像特征与电网图像的第一图像特征相关联；对于已标注图像集合中任一电网图像，根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，判断电网图像的第一图像特征是否标注错误，并在判定电网图像的第一图像特征标注错误时，根据电网图像的第二图像特征的第二物理参数，调整电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定电网图像的第一图像特征无标注错误时，确定电网图像为无误电网图像；根据所有复核电网图像和所有无误电网图像，生成复核图像集合；
以及，复核模块302中判断电网图像的第一图像特征是否标注错误的具体方式为：
对于已标注图像集合中任一电网图像，根据电网图像的第一图像特征的第一物理参数和电网图像的第二图像特征的第二物理参数，确定电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值；对于已标注图像集合中任一电网图像，在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定电网图像的第一图像特征标注错误，在电网图像的第一图像特征与电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定电网图像的第一图像特征标注无误。
可见，该可选的实施例能够采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。可见，实施本发明通过识别模型对多个电网对象的电网图像执行标注操作，提高了电网图像的标注效率，保证标注质量，且通过标注且复核后的电网图像对识别模型进行训练，能够提高识别模型的训练准确性及可靠性，从而有利于提高该识别模型在实际应用中针对电网图像的识别准确率及效率，进而提高了电网图像的标注质量。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于电网的模型训练装置的结构示意图。如图5所示，该基于电网的模型训练装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或本发明实施例二所描述的基于电网的模型训练方法中的步骤。
实施例五
本发明实施例公开了一种计算机可存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或本发明实施例二所描述的基于电网的模型训练方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于电网的模型训练方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的基于电网的模型训练方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.基于电网的模型训练方法，其特征在于，所述方法包括：
采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合；所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；
对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；
根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。
2.根据权利要求1所述的基于电网的模型训练方法，其特征在于，在所述通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合之前，所述方法还包括：
确定每个所述样本电网对象的类别信息，并根据每个所述样本电网对象的类别信息，确定每个所述样本电网对象的电网图像对应的优先级别；
根据每个所述电网图像对应的优先级别，对所有所述电网图像进行排序，得到电网图像标注序列；所述电网图像标注序列用于确定每个所述电网图像的标注顺序；
以及，所述通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，包括：
通过预置的识别模型和所述电网图像标注序列，对每个所述电网图像进行图像特征标注，得到已标注图像集合。
3.根据权利要求2所述的基于电网的模型训练方法，其特征在于，所述根据所述复核图像集合对所述识别模型进行训练，包括：
根据预置的随机抽样算法，对所述复核图像集合进行分类，得到样本训练集合、样本测试集合以及样本验证集合；
将所述样本训练集合和所述样本测试集合输入所述识别模型进行训练，得到针对所述样本训练集合和所述样本测试集合的训练结果集合；
根据所述样本验证集合和所述训练结果集合，验证所述识别模型的识别率；
将所述识别模型的识别率与预置的识别期望阈值进行比较，并在所述识别模型的识别率小于所述识别期望阈值时，对所述识别模型的模型参数进行优化，得到优化后的识别模型；
将优化后的所述识别模型更新为预置的所述识别模型，并重新执行所述的根据所述复核图像集合对所述识别模型进行训练的操作，直至训练后的所述识别模型的识别率大于所述识别率期望阈值。
4.根据权利要求3所述的基于电网的模型训练方法，其特征在于，所述对所述识别模型的模型参数进行优化，得到优化后的识别模型，包括：
确定与每个所述电网图像对应的识别场景，并确定每个所述电网图像对应的识别场景的场景复杂度；
根据每个所述电网图像对应的识别场景的场景复杂度以及预置的模型训练策略，对所述识别模型的模型参数进行参数调优，得到优化后的识别模型；所述模型参数包括模型学习率参数、模型深度参数、模型宽度参数、训练轮数、训练数据量。
5.根据权利要求1至4任一项所述的基于电网的模型训练方法，其特征在于，所述通过预置的识别模型对每个所述电网图像进行标注，得到已标注图像集合，包括：
分析每个所述电网图像的图像信息，得到每个所述电网图像的图像质量信息，并根据每个所述电网图像的图像质量信息，确定每个所述电网图像对应的图像质量指标；所述图像信息包括图像尺寸信息、图像像素信息、颜色深度信息；
根据每个所述电网图像对应的图像质量指标和预设的图像质量指标阈值，过滤所有所述电网图像中所述图像质量指标小于所述图像质量指标阈值的目标电网图像，并根据所有所述电网图像中除所述目标电网图像之外的所述电网图像生成质量图像集合；
通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合。
6.根据权利要求5所述的基于电网的模型训练方法，其特征在于，所述通过预置的识别模型，依次标注所述质量图像集合中所有所述电网图像的图像特征，并根据所有已标注的所述电网图像生成已标注图像集合，包括：
通过预置的识别模型分别识别所述质量图像集合中每个所述电网图像的第一图像特征，并确定所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数；
根据所述质量图像集合中每个所述电网图像的第一图像特征的第一物理参数，标注所述质量图像集合中每个所述电网图像的第一图像特征，并根据所述质量图像集合中所有已标注的所述电网图像生成已标注图像集合。
7.根据权利要求6所述的基于电网的模型训练方法，其特征在于，所述对所述已标注图像集合中每个所述电网图像进行图像特征复核，得到复核图像集合，包括：
分别对所述已标注图像集合中每个所述电网图像的图像特征进行重识别，得到所述已标注图像集合中每个所述电网图像的第二图像特征，并确定所述已标注图像集合中每个所述电网图像的第二图像特征的第二物理参数；对于所述已标注图像集合中任一所述电网图像，所述电网图像的第二图像特征与所述电网图像的第一图像特征相关联；
对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，判断所述电网图像的第一图像特征是否标注错误，并在判定所述电网图像的第一图像特征标注错误时，根据所述电网图像的第二图像特征的第二物理参数，调整所述电网图像的第一图像特征的第一物理参数，得到复核电网图像；在判定所述电网图像的第一图像特征无标注错误时，确定所述电网图像为无误电网图像；
根据所有所述复核电网图像和所有所述无误电网图像，生成复核图像集合；
以及，所述判断所述电网图像的第一图像特征是否标注错误，包括：
对于所述已标注图像集合中任一所述电网图像，根据所述电网图像的第一图像特征的第一物理参数和所述电网图像的第二图像特征的第二物理参数，确定所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值；
对于所述已标注图像集合中任一所述电网图像，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值大于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注错误，在所述电网图像的第一图像特征与所述电网图像的第二图像特征之间的偏差值小于预设的偏差值阈值时，判定所述电网图像的第一图像特征标注无误。
8.一种基于电网的模型训练装置，其特征在于，所述装置包括：
标注模块，用于采集针对至少一个样本电网对象的电网图像，并通过预置的识别模型对每个所述电网图像进行图像特征标注，得到已标注图像集合，所述已标注图像集合包括已标注图像特征的每个所述电网对象的电网图像；
复核模块，用于对所述已标注图像集合中每个所述电网图像的图像特征进行图像特征复核，得到复核图像集合；
训练模块，用于根据所述复核图像集合对所述识别模型进行训练，得到目标识别模型；所述目标识别模型用于对电网平台中的目标电网对象执行操作，所述操作包括标注操作。
9.一种基于电网的模型训练装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于电网的模型训练方法。
10.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于电网的模型训练方法。
CN202210032628.4A 2022-01-12 基于电网的模型训练方法及装置 Active CN114529782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210032628.4A CN114529782B (zh) 2022-01-12 基于电网的模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210032628.4A CN114529782B (zh) 2022-01-12 基于电网的模型训练方法及装置

Publications (2)

Publication Number Publication Date
CN114529782A true CN114529782A (zh) 2022-05-24
CN114529782B CN114529782B (zh) 2024-10-22

Family

ID=

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197658A (zh) * 2018-01-11 2018-06-22 阿里巴巴集团控股有限公司 图像标注信息处理方法、装置、服务器及系统
CN108427927A (zh) * 2018-03-16 2018-08-21 深圳市商汤科技有限公司 目标再识别方法和装置、电子设备、程序和存储介质
CN111723746A (zh) * 2020-06-22 2020-09-29 江苏云从曦和人工智能有限公司 场景识别模型生成方法、系统、平台、设备及介质
CN112241581A (zh) * 2019-07-19 2021-01-19 尤帕斯公司 重新训练机器人视觉模型以用于机器人过程自动化
CN112990335A (zh) * 2021-03-31 2021-06-18 江苏方天电力技术有限公司 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197658A (zh) * 2018-01-11 2018-06-22 阿里巴巴集团控股有限公司 图像标注信息处理方法、装置、服务器及系统
CN108427927A (zh) * 2018-03-16 2018-08-21 深圳市商汤科技有限公司 目标再识别方法和装置、电子设备、程序和存储介质
CN112241581A (zh) * 2019-07-19 2021-01-19 尤帕斯公司 重新训练机器人视觉模型以用于机器人过程自动化
CN111723746A (zh) * 2020-06-22 2020-09-29 江苏云从曦和人工智能有限公司 场景识别模型生成方法、系统、平台、设备及介质
CN112990335A (zh) * 2021-03-31 2021-06-18 江苏方天电力技术有限公司 一种电网无人机巡检影像缺陷智能识别自学习训练方法、系统

Similar Documents

Publication Publication Date Title
US11308993B2 (en) Short video synthesis method and apparatus, and device and storage medium
CN113515655B (zh) 一种基于图像分类的故障识别方法及装置
CN108229170B (zh) 利用大数据和神经网络的软件分析方法和装置
CN109902018A (zh) 一种智能驾驶系统测试案例的获取方法
CN109410184A (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
CN117076941B (zh) 一种光缆鸟害监测方法、系统、电子设备及可读存储介质
CN111931567A (zh) 人体识别的方法及装置、电子设备、存储介质
CN114227717B (zh) 基于巡检机器人的智能巡检方法、装置、设备及存储介质
CN109165574A (zh) 视频检测方法和装置
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN109033476A (zh) 一种基于事件线索网络的智能时空数据事件分析方法
CN112200193A (zh) 基于多属性融合的分布式车牌识别方法、系统、装置
CN113420871A (zh) 图像质量的评估方法、装置、存储介质及电子装置
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
CN116884192A (zh) 一种电力生产作业风险预警方法、系统和设备
CN114862821A (zh) 继电保护硬压板的自动化监测方法、系统、设备
CN114386048A (zh) 基于排序的开源软件安全漏洞补丁定位方法
CN117349771A (zh) 错误标签数据识别方法、装置、电子设备及可读存储介质
CN109886251A (zh) 一种基于姿势引导对抗学习的端到端的行人再识别方法
CN114529782B (zh) 基于电网的模型训练方法及装置
CN114529782A (zh) 基于电网的模型训练方法及装置
CN115601674A (zh) 一种输电工程烟雾隐患识别方法、装置及存储介质
CN114898137A (zh) 面向人脸识别的黑盒对抗样本攻击方法、装置、设备及介质
CN115457305A (zh) 一种半监督目标检测方法与系统
CN114528695A (zh) 一种配电网供电半径过长自动判定方法及装置

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
CB02 Change of applicant information

Country or region after: China

Address after: 518000, 3rd Floor, Building 40, Baotian Industrial Zone, Chentian Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province

Applicant after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd.

Address before: 518053 501, 502, 601 and 602, building D, wisdom Plaza, Qiaoxiang Road, Gaofa community, Shahe street, Nanshan District, Shenzhen, Guangdong

Applicant before: China Southern Power Grid Shenzhen Digital Power Grid Research Institute Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant