CN116109875A - 一种基于生成图像标准库的电力图像数据自动标注方法 - Google Patents
一种基于生成图像标准库的电力图像数据自动标注方法 Download PDFInfo
- Publication number
- CN116109875A CN116109875A CN202310236523.5A CN202310236523A CN116109875A CN 116109875 A CN116109875 A CN 116109875A CN 202310236523 A CN202310236523 A CN 202310236523A CN 116109875 A CN116109875 A CN 116109875A
- Authority
- CN
- China
- Prior art keywords
- data
- automatic labeling
- electric power
- prediction model
- power image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及电力图像标注技术领域，公开了一种基于生成图像标准库的电力图像数据自动标注方法，包括以下步骤：步骤一：先利用采集设备对电力图像数据进行采集，将电力图像数据储存进入到终端设备内，在储存完成后，利用终端设备对电力图像视频进行逐帧的分页。本发明通过建立预测模型，可以将采集设备采集到的视频图片数据提取出，输入到预测模型内，能够利用预测模型观测匹配到视频图片数据与训练数据相似的数据，在匹配到相似的数据后，会将数据输入到终端设备内，终端设备会将对应数据的视频图片进行自动标注分类，实现了对视频图片的自动标注和分类，提升了标注的效率。
Description
技术领域
本发明涉及电力图像标注技术领域，具体为一种基于生成图像标准库的电力图像数据自动标注方法。
背景技术
随着电力建设工作的不断推进，我国的电网规模持续扩大，在推进我国经济建设进程的同时也给输电线路的运行和维护工作带来了巨大的压力。另一方面，随着无人机、机器人技术的逐渐成熟，基于无人机或机器人的远程摄录系统已经被成功应用于电力巡检工作中。但是，由于缺乏配套的智能处理技术，巡检所获视频图像仍需要人工分析，该种方法不仅效率低下，而且准确率低，极易造成漏检、误检，已经无法应对日益严峻的运维压力。因此，电力行业迫切需要一种高效的目标检测方法，用于对巡检所获视频图像进行智能识别。
专利号CN201911393639.X，公开了一种基于深度卷积神经网络的电力设备检测方法和装置，包括步骤：将待检测的电力设备视频图像输入训练好的SSD目标检测网络模型，获得当前图像中的电力设备位置信息以及准确率；所述SSD目标检测网络模型基于通过筛选电力巡检视频图像建立的电力图像数据库和SSD神经网络训练得到；建立一个电力场景的数据库，对收集图像进行筛选、标注、划分、大小归一化和数据增广等预处理操作，建立高质量且相互独立的训练数据集和测试数据集；再构建深度卷积神经网络结构，并利用训练数据集进行离线训练；然后在测试数据集上测试检测网络模型的性能，如未达标则继续训练至其性能达到要求为止。本发明检测性能高和运行效率高。
这种电力图像数据标注方法，需要进行手动的操作标注，导致标注的流出非常的繁琐，而且标注的划分程度较低，无法将存在缺陷的电力图像数据进行不同类别的标注划分，导致电力图像数据的细分化不够，在进行后续的数据处理时，会由于数据模糊化，需要对整体数据进行处理，造成检测时间的延长以及运行的效率慢。
发明内容
本发明的目的在于提供一种基于生成图像标准库的电力图像数据自动标注方法，解决了背景技术中所提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于生成图像标准库的电力图像数据自动标注方法，包括以下步骤：
步骤一：先利用采集设备对电力图像数据进行采集，将电力图像数据储存进入到终端设备内，在储存完成后，利用终端设备对电力图像视频进行逐帧的分页，将电力图像视频数据转换为不同帧的图片，并对这些图片上是否存在缺陷故障进行不同类别的编号标注，将进行编号的图片储存进入到图像标准库内；
步骤二：利用终端设备建立预测模型，将进行编号的图片数据提取出，并将提取出的数据输入到预测模型内，将采集设备采集到的视频图片数据提取出，输入到预测模型内，能够利用预测模型观测匹配到视频图片数据与训练数据相似的数据，将数据输入到终端设备内，终端设备会将对应数据的视频图片进行自动标注分类；
步骤三：当预测模型内的数据在持续使用过程中，逐渐的完善增加后，能够开发电力缺陷故障不同场景的静态模型，将视频图片数据输入不同的静态模型中，能够利用终端设备对存在数据缺陷的视频图片进行自动标注分类；
步骤四：在自动标注分类完成后，将电力缺陷故障中的位置数据，输入到采集设备中，使采集设备移动到该位置，对缺陷故障位置进行详细的拍摄。
作为本发明的一种优选实施方式，所述步骤二中的预测模型内置有预测模块。
作为本发明的一种优选实施方式，所述步骤一中的采集设备为摄像头、摄像机、无人机、直升机和智能机器人。
作为本发明的一种优选实施方式，所述步骤二中的自动标注分类分为两个，为现有存在缺陷视频图片标注和未来有概率出现缺陷视频图片标注。
作为本发明的一种优选实施方式，所述步骤一中的终端设备为计算机设备。
作为本发明的一种优选实施方式，所述步骤三中利用终端设备对存在数据缺陷的视频图片进行自动标注分类，其中的自动标注分类根据不同的电力缺陷故障静态模型进行分类。
与现有技术相比，本发明的有益效果如下：
1.本发明通过终端设备对电力图像视频进行逐帧的分页，将电力图像视频数据转换为不同帧的图片，并对这些图片上是否存在缺陷故障进行不同类别的编号标注，将进行编号的图片储存进入到图像标准库内，从而进行图像标准库的建立，在建立图像标准库后，等于进行了图像的预分类，能够提升后续图像标注的效率。
2.本发明通过建立预测模型，可以将采集设备采集到的视频图片数据提取出，输入到预测模型内，能够利用预测模型观测匹配到视频图片数据与训练数据相似的数据，在匹配到相似的数据后，会将数据输入到终端设备内，终端设备会将对应数据的视频图片进行自动标注分类，实现了对视频图片的自动标注和分类，提升了标注的效率，而且由于预测模型内置有预测模块，能够对现有的电力视频图片存在缺陷的概率进行评估，在评估完成后，可以对发生缺陷的概率进行估值，实现标注和预测的一体化。
3.本发明通过开发电力缺陷故障不同场景的静态模型，多源的数据进行训练，使算法随着时间的推移而提升预测能力，能够利用不同的电力缺陷故障静态模型检测到视频图片内存在的数据缺陷，并将存在缺陷的数据输入到终端设备内，利用终端设备对存在数据缺陷的视频图片进行自动标注分类，实现多种方式的图片自动标注分类，能够有效提升自动标注的准确性。
4.本发明通过将电力缺陷故障中的位置数据，输入到采集设备中，利用采集设备中的控制主机，能够对该电力缺陷故障位置进行定位，使采集设备移动到该位置，对缺陷故障位置进行详细的拍摄，便于工作人员详细的对缺陷故障位置进行观看，便于对缺陷故障位置进行分析。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一种基于生成图像标准库的电力图像数据自动标注方法的流程示意图。
具体实施方式
请参阅图1，本发明提供一种技术方案：一种基于生成图像标准库的电力图像数据自动标注方法，包括以下步骤：
步骤一：先利用采集设备对电力图像数据进行采集，将电力图像数据储存进入到终端设备内，在储存完成后，利用终端设备对电力图像视频进行逐帧的分页，将电力图像视频数据转换为不同帧的图片，并对这些图片上是否存在缺陷故障进行不同类别的编号标注，将进行编号的图片储存进入到图像标准库内，从而进行图像标准库的建立，在建立图像标准库后，等于进行了图像的预分类，能够提升后续图像标注的效率；
步骤二：利用终端设备建立预测模型，将进行编号的图片数据提取出，并将提取出的数据输入到预测模型内，利用机器学习算法，经过不同编号的图片数据能够对预测模型进行训练，在预测模型训练完成后，将采集设备采集到的视频图片数据提取出，输入到预测模型内，能够利用预测模型观测匹配到视频图片数据与训练数据相似的数据，在匹配到相似的数据后，会将数据输入到终端设备内，终端设备会将对应数据的视频图片进行自动标注分类，实现了对视频图片的自动标注和分类，提升了标注的效率，而且由于预测模型内置有预测模块，能够对现有的电力视频图片存在缺陷的概率进行评估，在评估完成后，可以对发生缺陷的概率进行估值，实现标注和预测的一体化；
步骤三：当预测模型内的数据在持续使用过程中，逐渐的完善增加后，能够开发电力缺陷故障不同场景的静态模型，多源的数据进行训练，使算法随着时间的推移而提升预测能力，将视频图片数据输入不同的静态模型中，能够利用不同的电力缺陷故障静态模型检测到视频图片内存在的数据缺陷，并将存在缺陷的数据输入到终端设备内，利用终端设备对存在数据缺陷的视频图片进行自动标注分类，利用终端设备对存在数据缺陷的视频图片进行自动标注分类，实现多种方式的图片自动标注分类，能够有效提升自动标注的准确性；
步骤四：在自动标注分类完成后，将电力缺陷故障中的位置数据，输入到采集设备中，利用采集设备中的控制主机，能够对该电力缺陷故障位置进行定位，使采集设备移动到该位置，对缺陷故障位置进行详细的拍摄，便于工作人员详细的对缺陷故障位置进行观看，便于对缺陷故障位置进行分析。
本实施例中请参阅图1，所述步骤二中的预测模型内置有预测模块，预测模块包括预测器和评估器，利用评估器可以在输入存在缺陷的视频图片数据后，对现有的电力视频图片存在缺陷的概率进行评估，在评估完成后，利用预测器能够对发生缺陷的概率进行估值。
本实施例中请参阅图1，所述步骤一中的采集设备为摄像头、摄像机、无人机、直升机和智能机器人，所述摄像头、摄像机、无人机、直升机和智能机器人均与终端设备信号连接。
本实施例中请参阅图1，所述步骤二中的自动标注分类分为两个；
为现有存在缺陷视频图片标注和未来有概率出现缺陷视频图片标注；
未来有概率出现缺陷视频图片标注，采用预测器对发生缺陷的概率进行估值后进行标注。
本实施例中请参阅图1，所述步骤一中的终端设备为计算机设备；
利用计算机设备进行步骤一、步骤二、步骤三和步骤四中的流程操作。
本实施例中请参阅图1，所述步骤三中利用终端设备对存在数据缺陷的视频图片进行自动标注分类；
其中的自动标注分类根据不同的电力缺陷故障静态模型进行分类；
电力缺陷故障静态模型分类包括：一般缺陷故障、严重缺陷故障和危急缺陷故障。
Claims (6)
1.一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于，包括以下步骤：
步骤一：先利用采集设备对电力图像数据进行采集，将电力图像数据储存进入到终端设备内，在储存完成后，利用终端设备对电力图像视频进行逐帧的分页，将电力图像视频数据转换为不同帧的图片，并对这些图片上是否存在缺陷故障进行不同类别的编号标注，将进行编号的图片储存进入到图像标准库内；
步骤二：利用终端设备建立预测模型，将进行编号的图片数据提取出，并将提取出的数据输入到预测模型内，将采集设备采集到的视频图片数据提取出，输入到预测模型内，能够利用预测模型观测匹配到视频图片数据与训练数据相似的数据，将数据输入到终端设备内，终端设备会将对应数据的视频图片进行自动标注分类；
步骤三：当预测模型内的数据在持续使用过程中，逐渐的完善增加后，能够开发电力缺陷故障不同场景的静态模型，将视频图片数据输入不同的静态模型中，能够利用终端设备对存在数据缺陷的视频图片进行自动标注分类；
步骤四：在自动标注分类完成后，将电力缺陷故障中的位置数据，输入到采集设备中，使采集设备移动到该位置，对缺陷故障位置进行详细的拍摄。
2.根据权利要求1所述的一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于：所述步骤二中的预测模型内置有预测模块。
3.根据权利要求1所述的一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于：所述步骤一中的采集设备为摄像头、摄像机、无人机、直升机和智能机器人。
4.根据权利要求1所述的一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于：所述步骤二中的自动标注分类分为两个，为现有存在缺陷视频图片标注和未来有概率出现缺陷视频图片标注。
5.根据权利要求1所述的一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于：所述步骤一中的终端设备为计算机设备。
6.根据权利要求1所述的一种基于生成图像标准库的电力图像数据自动标注方法，其特征在于：所述步骤三中利用终端设备对存在数据缺陷的视频图片进行自动标注分类，其中的自动标注分类根据不同的电力缺陷故障静态模型进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310236523.5A CN116109875A (zh) | 2023-03-13 | 2023-03-13 | 一种基于生成图像标准库的电力图像数据自动标注方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310236523.5A CN116109875A (zh) | 2023-03-13 | 2023-03-13 | 一种基于生成图像标准库的电力图像数据自动标注方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116109875A true CN116109875A (zh) | 2023-05-12 |
Family
ID=86254423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310236523.5A Pending CN116109875A (zh) | 2023-03-13 | 2023-03-13 | 一种基于生成图像标准库的电力图像数据自动标注方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109875A (zh) |
-
2023
- 2023-03-13 CN CN202310236523.5A patent/CN116109875A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
| CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
| WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
| CN112464846B (zh) | 一种车站货运列车车厢异常故障的自动识别方法 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN113191362B (zh) | 一种变电设备油渗漏缺陷检测装置及方法 | |
| CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
| CN112260402B (zh) | 基于视频监控的变电站智能巡检机器人状态的监控方法 | |
| CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
| CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
| CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
| CN111753653A (zh) | 基于注意力机制的高铁接触网紧固件识别与定位方法 | |
| CN116109875A (zh) | 一种基于生成图像标准库的电力图像数据自动标注方法 | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
| CN116977241A (zh) | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 | |
| CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
| CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN113012113A (zh) | 一种高铁接触网供电设备螺栓松动自动检测方法 | |
| CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 |
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 |