CN116740640A - 电力目标识别方法及装置、监测系统、可读存储介质 - Google Patents
电力目标识别方法及装置、监测系统、可读存储介质 Download PDFInfo
- Publication number
- CN116740640A CN116740640A CN202310732622.2A CN202310732622A CN116740640A CN 116740640 A CN116740640 A CN 116740640A CN 202310732622 A CN202310732622 A CN 202310732622A CN 116740640 A CN116740640 A CN 116740640A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- inspection
- target recognition
- shooting environment
- 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 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 178
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种电力目标识别方法及装置、监测系统、可读存储介质,该包括:从电力巡检装置中获取第一巡检图像;其中,第一巡检图像为电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像;从第一巡检图像中提取环境特征的图像作为第一图像;将第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数;深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系;将第一巡检图像输入至已确定权重系数的第一目标识别模型中,得到第一巡检图像的目标识别结果。本发明可以尽可能地避免拍摄环境的影响,进而提升电力目标识别的精度。
Description
技术领域
本发明属于目标识别技术领域,更具体地说,是涉及一种电力目标识别方法及装置、监测系统、可读存储介质。
背景技术
随着人民生活水平的提高,电网规模不断扩大,在此基础上,电力线路和电力设备的可靠运行也成为关注重点,因此,对电力设备/线路的状态监测极为重要。现有技术中,通常会使用智能的电力巡检装置(比如巡检机器人)在自动巡检过程中拍摄电力设备/线路的图像,在此基础上,通过目标识别模型对电力巡检装置拍摄的图像进行电力目标的自动识别,进而对识别到的电力目标进行状态监测。
但在具体应用现有技术时,本申请的发明人发现,现有的目标识别模型在训练完成后是固定的,无法随着拍摄环境的变化而变化,而由于拍摄环境经常会发生变化,导致现有技术中使用目标识别模型进行电力目标的识别时通常会发生识别不准、漏识别、误识别的情形。也就是说,现有的电力目标的识别精度较低。
发明内容
本发明的目的在于提供一种电力目标识别方法及装置、监测系统、可读存储介质,以解决现有技术中电力目标的识别精度较低的问题。
本发明实施例的第一方面,提供了一种电力目标识别方法,包括:
从电力巡检装置中获取第一巡检图像;其中,所述第一巡检图像为所述电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像;
从所述第一巡检图像中提取环境特征的图像作为第一图像;
将所述第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数;其中,所述深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系;
将所述第一巡检图像输入至已确定权重系数的所述第一目标识别模型中,得到所述第一巡检图像的目标识别结果。
在一种可能的实现方式中,所述电力目标识别方法还包括:训练所述深度学习模型;所述训练所述深度学习模型,包括:
从所述电力巡检装置中获取不同拍摄环境下的第二巡检图像;其中,所述第二巡检图像为所述电力巡检装置在历史巡检时拍摄的包含待识别目标和环境特征的图像;
基于所述第二巡检图像训练多个第二目标识别模型;其中,所述第二目标识别模型与所述第一目标识别模型的网络结构相同,每个拍摄环境都对应一个所述第二目标识别模型;
从所述第二巡检图像中提取环境特征的图像作为第二图像;
基于所述每个拍摄环境下的第二图像以及该拍摄环境对应的第二目标识别模型的权重系数训练得到所述深度学习模型。
在一种可能的实现方式中,所述从所述电力巡检装置中获取不同拍摄环境下的第二巡检图像,包括:
从所述电力巡检装置中获取不同拍摄环境下不同拍摄角度的第二巡检图像;
其中,每个拍摄环境都对应多个不同拍摄角度的第二巡检图像。
在一种可能的实现方式中,所述基于所述第二巡检图像训练多个第二目标识别模型,包括:
对于目标拍摄环境,基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型;其中,所述目标拍摄环境为所述不同拍摄环境中的任一拍摄环境;
对于每个非目标拍摄环境,基于该非目标拍摄环境下的第二巡检图像对所述目标拍摄环境对应的第二目标识别模型进行更新,得到该非目标拍摄环境对应的第二目标识别模型。
在一种可能的实现方式中,所述基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型,包括:
对目标拍摄环境下的第二巡检图像中的目标进行标注,得到目标拍摄环境下每个第二巡检图像的标注信息;
基于目标拍摄环境下的第二巡检图像以及所述标注信息训练得到目标拍摄环境对应的第二目标识别模型。
在一种可能的实现方式中,所述从所述第一巡检图像中提取环境特征的图像作为第一图像,包括:
基于预先训练的目标检测模型对所述第一巡检图像进行处理,确定所述第一图像中目标所在区域;
在所述第一巡检图像中除所述目标所在区域之外的区域任选一部分图像作为所述第一图像。
在一种可能的实现方式中,所述深度学习模型和所述第一目标识别模型均为神经网络模型。
本发明实施例的第二方面,提供了一种电力目标识别装置,包括:
数据获取模块,用于从电力巡检装置中获取第一巡检图像;其中,所述第一巡检图像为所述电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像;
图像提取模块,用于从所述第一巡检图像中提取环境特征的图像作为第一图像;
模型确定模块,用于将所述第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数;其中,所述深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系;
目标识别模块,用于将所述第一巡检图像输入至已确定权重系数的所述第一目标识别模型中,得到所述第一巡检图像的目标识别结果。
本发明实施例的第三方面,提供了一种监测系统,所述监测系统包括监测终端,所述监测终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的电力目标识别方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的电力目标识别方法的步骤。
本发明实施例提供的电力目标识别方法及装置、监测系统、可读存储介质的有益效果在于:
为了避免拍摄环境的变化对目标识别造成影响,本发明实施例预先训练了深度学习模型,该深度学习模型本质用于描述拍摄环境(的环境特征)与第一目标识别模型的权重系数之间的映射关系。在此基础上,可从第一巡检图像中提取得到包含拍摄环境(的环境特征)的第一图像,在此基础上,将第一图像输入至前述深度学习模型中即可确定出与拍摄环境匹配的第一目标识别模型,在此基础上,将第一巡检图像输入至与其拍摄环境匹配的第一目标识别模型中即可得到目标识别结果。分析本发明实施例可知,本发明实施例中的第一目标识别模型的权重系数会随着拍摄环境的不同而适应性变化,因此可以尽可能地避免拍摄环境的影响,进而提升目标识别的精度。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的电力目标识别方法的流程示意图;
图2为本发明一实施例提供的电力目标识别装置的结构框图;
图3为本发明一实施例提供的监测终端的示意框图。
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。
请参考图1,图1为本发明一实施例提供的电力目标识别方法的流程示意图,该电力目标识别方法用于对巡检图像中电力系统的电力目标进行识别。
其中,上述对电力目标进行识别可以为识别出巡检图像中的电力目标,也可以为识别出电力目标的状态,也可以为识别出电力目标的位置/高度等。本发明实施例对此不做限定。
其中,电力目标包括但不限于电力线路和/或电力设备。例如,电力目标可以为线缆,也可以为断路器,也可以为绝缘子,也可以为空气开关等。
在此基础上,本发明实施例所描述的电力目标识别方法包括:
S101:从电力巡检装置中获取第一巡检图像。其中,第一巡检图像为电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像。
在本实施例中,第一巡检图像为待进行目标识别的图像。在电力巡检装置拍摄其巡检区域的巡检图像后,即可通过通信装置传输至本发明实施例所描述方法的执行主体,由本发明实施例的执行主体对电力巡检装置的巡检图像进行处理。
S102:从第一巡检图像中提取环境特征的图像作为第一图像。
在本实施例中,第一巡检图像包含有待识别目标的区域和无待识别目标的区域,在此基础上,可从第一巡检图像中提取出不包含待识别目标的区域的图像,得到第一图像。其中,第一图像本质为第一巡检图像对应的拍摄环境的图像,第一图像所包含的特征本质为第一巡检图像对应的拍摄环境的环境特征。因此,基于第一图像,即可将拍摄环境因素考虑到第一巡检图像的目标识别中。
S103:将第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数。其中,深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系。
在本实施例中,深度学习模型本质用于描述拍摄环境(的环境特征)与第一目标识别模型的权重系数之间的映射关系,其具体用于根据输入的第一图像输出对应的权重系数,该权重系数即为第一目标识别模型的权重系数。
S104:将第一巡检图像输入至已确定权重系数的第一目标识别模型中,得到第一巡检图像的目标识别结果。
在本实施例中,第一目标识别模型本质为一未经训练的模型,其中模型的训练过程也即确定模型的各个权重系数的过程。在此基础上,已确定权重系数的第一目标识别模型本质为训练完成的模型。训练完成的第一目标识别模型用于根据输入的巡检图像输出对应的目标识别结果。基于此,可将第一巡检图像输入至第一目标识别模型中,以得到第一巡检图像的目标识别结果。
从以上描述可知,为了避免拍摄环境的变化对目标识别造成影响,本发明实施例预先训练了深度学习模型,该深度学习模型本质用于描述拍摄环境(的环境特征)与第一目标识别模型的权重系数之间的映射关系。在此基础上,可从第一巡检图像中提取得到包含拍摄环境(的环境特征)的第一图像,在此基础上,将第一图像输入至前述深度学习模型中即可确定出与拍摄环境匹配的第一目标识别模型,在此基础上,将第一巡检图像输入至与其拍摄环境匹配的第一目标识别模型中即可得到目标识别结果。分析本发明实施例可知,本发明实施例中的第一目标识别模型的权重系数会随着拍摄环境的不同而适应性变化,因此可以尽可能地避免拍摄环境的影响,进而提升目标识别的精度。
在一种可能的实现方式中,电力目标识别方法还包括:训练深度学习模型。训练深度学习模型,包括:
从电力巡检装置中获取不同拍摄环境下的第二巡检图像。其中,第二巡检图像为电力巡检装置在历史巡检时拍摄的包含待识别目标和环境特征的图像。
基于第二巡检图像训练多个第二目标识别模型。其中,第二目标识别模型与第一目标识别模型的网络结构相同,每个拍摄环境都对应一个第二目标识别模型。
从第二巡检图像中提取环境特征的图像作为第二图像。
基于每个拍摄环境下的第二图像以及该拍摄环境对应的第二目标识别模型的权重系数训练得到深度学习模型。
在本实施例中,第二巡检图像本质为电力巡检装置历史拍摄的巡检图像,也即用于作为训练样本的巡检图像。在此基础上,可以基于每个拍摄环境下的第二巡检图像训练得到该拍摄环境下的第二目标识别模型。也即,基于每个拍摄环境下的第二巡检图像确定该拍摄环境下的第二目标识别模型的权重系数。
在本实施例中,可从每个拍摄环境下的第二巡检图像中提取出不包含待识别目标的第二图像。其中,第二图像本质为第二巡检图像对应的拍摄环境的图像,第二图像所包含的特征本质为第二巡检图像对应的拍摄环境的环境特征。
在此基础上,可根据每个拍摄环境下的第二图像以及每个拍摄环境下的权重系数训练得到前述深度学习模型。
在本实施例中,第二目标识别模型本质是与第一目标识别模型相同的模型,不同的是第二目标识别模型应用于数据训练阶段。两者的网络结构相同指的是两者的数据结构完全一致,比如,第一目标识别模型用神经网络结构实现时,两者的网络结构相同指的即是两者的神经元的设置数量、设置位置相同。
在一种可能的实现方式中,从电力巡检装置中获取不同拍摄环境下的第二巡检图像,包括:
从电力巡检装置中获取不同拍摄环境下不同拍摄角度的第二巡检图像。
其中,每个拍摄环境都对应多个不同拍摄角度的第二巡检图像。
在本实施例中,为了更准确地训练第二目标识别模型,进而更准确地训练深度学习模型,可在每个拍摄环境下都获取不同拍摄角度的第二巡检图像,以提升样本的多样性,提升各类模型的训练精度。
在一种可能的实现方式中,基于第二巡检图像训练多个第二目标识别模型,包括:
对于目标拍摄环境,基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型。其中,目标拍摄环境为不同拍摄环境中的任一拍摄环境。
对于每个非目标拍摄环境,基于该非目标拍摄环境下的第二巡检图像对目标拍摄环境对应的第二目标识别模型进行更新,得到该非目标拍摄环境对应的第二目标识别模型。
在本实施例中,目标拍摄环境为从前述不同拍摄环境中任意选择的一拍摄环境,非目标拍摄环境指的是前述不同拍摄环境中除目标拍摄环境之外的拍摄环境。
在本实施例中,可首先任选一个拍摄环境(也即目标拍摄环境),训练该拍摄环境下的第二目标识别模型。在此基础上,考虑到训练多个第二目标识别模型的运算量较大,为了提升训练速度,本发明实施例给出了一种方法。也即在训练完一个第二目标识别模型后,在训练其他第二目标识别模型时,无需从头开始训练,而是直接对已训练的第二目标识别模型的权重系数进行更新,即可快速得到其他的第二目标识别模型。
在本实施例中,需要指出的是,模型训练的过程通常为:模型训练开始时对模型的权重系数进行随机初始化,在此基础上,利用训练样本(在本示例中即为第二巡检图像)对其权重系数进行不断更新,直到模型满足预定的精度要求或者模型训练的迭代次数达到预设的迭代次数,此时模型训练完成,当前的权重系数即为训练完成的模型的权重系数。
在此基础上,本发明实施例所描述的对已训练模型进行更新指的是:模型训练开始时,不对模型的权重系数进行随机初始化,而是直接将已训练完成的模型的权重系数作为本次模型训练时初始的权重系数(也即将目标拍摄环境下的第二目标识别模型的权重系数作为非目标拍摄环境下的第二目标识别模型的初始的权重系数),由于本实施例中不同拍摄环境下的模型之间是存在一定共通性的,因此在后续模型训练时,模型更新的方式可以加快模型的收敛进度,从而实现模型的快速训练。因此,本发明可首先训练目标拍摄环境下的第二目标识别模型,后续在训练其他拍摄环境下的(也即非目标拍摄环境下的)第二目标识别模型时,可通过训练样本直接更新目标拍摄环境下的第二目标识别模型,从而实现大量第二目标识别模型的快速训练,并且减少运算量。需要指出的是,不同拍摄环境下第二目标识别模型的网络结构是一致的。
在一种可能的实现方式中,基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型,包括:
对目标拍摄环境下的第二巡检图像中的目标进行标注,得到目标拍摄环境下每个第二巡检图像的标注信息。
基于目标拍摄环境下的第二巡检图像以及标注信息训练得到目标拍摄环境对应的第二目标识别模型。
已知在进行模型训练时,训练样本中通常需要包含模型的输入数据和模型的理论输出数据,在本实施例中,模型的输入数据即为目标拍摄环境下的第二巡检图像,在此基础上,可对第二巡检图像中的目标进行标注,得到模型的理论输出数据,也即标注信息。此后即可基于第二巡检图像及其标注信息进行目标拍摄环境下第二目标识别模型的训练。
在一种可能的实现方式中,从第一巡检图像中提取环境特征的图像作为第一图像,包括:
基于预先训练的目标检测模型对第一巡检图像进行处理,确定第一图像中目标所在区域。
在第一巡检图像中除目标所在区域之外的区域任选一部分图像作为第一图像。
在本实施例中,可利用现有的目标检测模型确定第一巡检图像中目标所在的边界框boundingbox,boundingbox在第一巡检图像中所占的区域即为第一图像中目标所在区域,在此基础上,第一巡检图像中除boundingbox之外的区域即为第一图像所在的区域,在此基础上,可在第一图像所在的区域中任选一部分图像作为第一图像,用于描述拍摄环境。
在一种可能的实现方式中,深度学习模型和第一目标识别模型均为神经网络模型。
在本实施例中,深度学习模型和第一目标识别模型可都基于神经网络结构实现。优选的,深度学习模型和第一目标识别模型可采用不同类型的神经网络模型(比如,深度学习模型可以使用全连接神经网络FCN实现,第一目标识别模型可以使用卷积神经网络CNN实现),以更贴合其功能,更好地利用不同神经网络结构的优势,从而提升目标识别的精度。
对应于上文实施例的电力目标识别方法,图2为本发明一实施例提供的电力目标识别装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图2,该电力目标识别装置20包括:数据获取模块21、图像提取模块22、模型确定模块23和目标识别模块24。
其中,数据获取模块21,用于从电力巡检装置中获取第一巡检图像。其中,第一巡检图像为电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像。
图像提取模块22,用于从第一巡检图像中提取环境特征的图像作为第一图像。
模型确定模块23,用于将第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数。其中,深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系。
目标识别模块24,用于将第一巡检图像输入至已确定权重系数的第一目标识别模型中,得到第一巡检图像的目标识别结果。
在一种可能的实现方式中,模型确定模块23还用于:训练深度学习模型。训练深度学习模型,包括:
从电力巡检装置中获取不同拍摄环境下的第二巡检图像。其中,第二巡检图像为电力巡检装置在历史巡检时拍摄的包含待识别目标和环境特征的图像。
基于第二巡检图像训练多个第二目标识别模型。其中,第二目标识别模型与第一目标识别模型的网络结构相同,每个拍摄环境都对应一个第二目标识别模型。
从第二巡检图像中提取环境特征的图像作为第二图像。
基于每个拍摄环境下的第二图像以及该拍摄环境对应的第二目标识别模型的权重系数训练得到深度学习模型。
在一种可能的实现方式中,模型确定模块23具体用于:
从电力巡检装置中获取不同拍摄环境下不同拍摄角度的第二巡检图像。
其中,每个拍摄环境都对应多个不同拍摄角度的第二巡检图像。
在一种可能的实现方式中,模型确定模块23具体用于:
对于目标拍摄环境,基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型。其中,目标拍摄环境为不同拍摄环境中的任一拍摄环境。
对于每个非目标拍摄环境,基于该非目标拍摄环境下的第二巡检图像对目标拍摄环境对应的第二目标识别模型进行更新,得到该非目标拍摄环境对应的第二目标识别模型。
在一种可能的实现方式中,模型确定模块23具体用于:
对目标拍摄环境下的第二巡检图像中的目标进行标注,得到目标拍摄环境下每个第二巡检图像的标注信息。
基于目标拍摄环境下的第二巡检图像以及标注信息训练得到目标拍摄环境对应的第二目标识别模型。
在一种可能的实现方式中,图像提取模块22具体用于:
基于预先训练的目标检测模型对第一巡检图像进行处理,确定第一图像中目标所在区域。
在第一巡检图像中除目标所在区域之外的区域任选一部分图像作为第一图像。
在一种可能的实现方式中,深度学习模型和第一目标识别模型均为神经网络模型。
本发明实施例还提供一种监测系统,该监测系统包括监测终端,参见图3,图3为本发明一实施例提供的监测终端的示意框图。如图3所示的本实施例中的终端300可以包括:一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序,计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中,处理器301被配置用于调用程序指令执行以下操作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21至24的功能。
应当理解,在本发明实施例中,所称处理器301可以是中央处理单元(CentralProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的电力目标识别方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时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,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,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,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。计算机可读介质可以包括:能够携带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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,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。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
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,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
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,也可以是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。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力目标识别方法,其特征在于,包括:
从电力巡检装置中获取第一巡检图像;其中,所述第一巡检图像为所述电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像;
从所述第一巡检图像中提取环境特征的图像作为第一图像;
将所述第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数;其中,所述深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系;
将所述第一巡检图像输入至已确定权重系数的所述第一目标识别模型中,得到所述第一巡检图像的目标识别结果。
2.如权利要求1所述的电力目标识别方法,其特征在于,所述电力目标识别方法还包括:训练所述深度学习模型;
所述训练所述深度学习模型,包括:
从所述电力巡检装置中获取不同拍摄环境下的第二巡检图像;其中,所述第二巡检图像为所述电力巡检装置在历史巡检时拍摄的包含待识别目标和环境特征的图像;
基于所述第二巡检图像训练多个第二目标识别模型;其中,所述第二目标识别模型与所述第一目标识别模型的网络结构相同,每个拍摄环境都对应一个所述第二目标识别模型;
从所述第二巡检图像中提取环境特征的图像作为第二图像;
基于所述每个拍摄环境下的第二图像以及该拍摄环境对应的第二目标识别模型的权重系数训练得到所述深度学习模型。
3.如权利要求2所述的电力目标识别方法,其特征在于,所述从所述电力巡检装置中获取不同拍摄环境下的第二巡检图像,包括:
从所述电力巡检装置中获取不同拍摄环境下不同拍摄角度的第二巡检图像;
其中,每个拍摄环境都对应多个不同拍摄角度的第二巡检图像。
4.如权利要求2所述的电力目标识别方法,其特征在于,所述基于所述第二巡检图像训练多个第二目标识别模型,包括:
对于目标拍摄环境,基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型;其中,所述目标拍摄环境为所述不同拍摄环境中的任一拍摄环境;
对于每个非目标拍摄环境,基于该非目标拍摄环境下的第二巡检图像对所述目标拍摄环境对应的第二目标识别模型进行更新,得到该非目标拍摄环境对应的第二目标识别模型。
5.如权利要求4所述的电力目标识别方法,其特征在于,所述基于目标拍摄环境下的第二巡检图像训练得到目标拍摄环境对应的第二目标识别模型,包括:
对目标拍摄环境下的第二巡检图像中的目标进行标注,得到目标拍摄环境下每个第二巡检图像的标注信息;
基于目标拍摄环境下的第二巡检图像以及所述标注信息训练得到目标拍摄环境对应的第二目标识别模型。
6.如权利要求1所述的电力目标识别方法,其特征在于,所述从所述第一巡检图像中提取环境特征的图像作为第一图像,包括:
基于预先训练的目标检测模型对所述第一巡检图像进行处理,确定所述第一图像中目标所在区域;
在所述第一巡检图像中除所述目标所在区域之外的区域任选一部分图像作为所述第一图像。
7.如权利要求1至6任一项所述的电力目标识别方法,其特征在于,所述深度学习模型和所述第一目标识别模型均为神经网络模型。
8.一种电力目标识别装置,其特征在于,包括:
数据获取模块,用于从电力巡检装置中获取第一巡检图像;其中,所述第一巡检图像为所述电力巡检装置在巡检时拍摄的包含待识别目标和环境特征的图像;
图像提取模块,用于从所述第一巡检图像中提取环境特征的图像作为第一图像;
模型确定模块,用于将所述第一图像输入至预先训练的深度学习模型中,确定预设的第一目标识别模型的权重系数;其中,所述深度学习模型用于建立环境特征与第一目标识别模型的权重系数之间的映射关系;
目标识别模块,用于将所述第一巡检图像输入至已确定权重系数的所述第一目标识别模型中,得到所述第一巡检图像的目标识别结果。
9.一种监测系统,其特征在于,包括:监测终端;
所述监测终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732622.2A CN116740640A (zh) | 2023-06-20 | 2023-06-20 | 电力目标识别方法及装置、监测系统、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310732622.2A CN116740640A (zh) | 2023-06-20 | 2023-06-20 | 电力目标识别方法及装置、监测系统、可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740640A true CN116740640A (zh) | 2023-09-12 |
Family
ID=87914701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310732622.2A Pending CN116740640A (zh) | 2023-06-20 | 2023-06-20 | 电力目标识别方法及装置、监测系统、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740640A (zh) |
-
2023
- 2023-06-20 CN CN202310732622.2A patent/CN116740640A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
CN110705531B (zh) | 缺失字符检测、缺失字符检测模型的建立方法及装置 | |
CN110222629A (zh) | 一种钢铁场景下的包号识别方法以及包号识别系统 | |
CN113160276B (zh) | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 | |
CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
CN113780243B (zh) | 行人图像识别模型的训练方法、装置、设备以及存储介质 | |
CN114897655B (zh) | 基于视觉的防疫控制方法及装置、存储介质、电子设备 | |
CN111325709A (zh) | 无线胶囊内窥镜图像检测系统及检测方法 | |
CN114299546A (zh) | 识别宠物身份的方法、装置、存储介质及电子设备 | |
CN113033297B (zh) | 实物编程方法、装置、设备及存储介质 | |
CN114494863A (zh) | 基于Blend Mask算法的动物幼崽计数方法以及装置 | |
CN116740640A (zh) | 电力目标识别方法及装置、监测系统、可读存储介质 | |
CN117152670A (zh) | 一种基于人工智能的行为识别方法及系统 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN108711200A (zh) | 出勤状态检测方法及装置 | |
CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
CN114898473A (zh) | 手写签名比对方法、装置及电子设备 | |
CN112950652A (zh) | 机器人及其手部图像分割方法和装置 | |
KR20220146214A (ko) | 인공지능 기반으로 나무 이미지를 분석하여 나무의 이상 여부를 판별하는 장치, 방법 및 프로그램 | |
CN111680563A (zh) | 一种活体检测方法、装置、电子设备及存储介质 | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 |
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 |