CN118052825A - 一种玻璃绝缘子表面瑕疵检测方法 - Google Patents

Abstract

本申请公开了一种玻璃绝缘子表面瑕疵检测方法，涉及图像数据处理领域。该方法包括：获取玻璃绝缘子表面图像，并对该玻璃绝缘子表面图像进行预处理，得到对应的灰度图像；将玻璃绝缘子表面图像所对应的灰度图像作为数据样本，并对每个数据样本进行标注，得到对应的预设标签；将每个数据样本转换为特征向量，并基于该特征向量构建数据样本集，得到待处理的神经网络模型训练集；基于多个基分类器对待处理的神经网络模型训练集的分类表现重构该数据样本集，得到输入训练集；基于该输入训练集对初始神经网络进行训练，得到目标神经网络模型。通过本申请所提供的方法，可以提高神经网络模型的训练效果和玻璃绝缘子表面瑕疵的检测效果。

Description

一种玻璃绝缘子表面瑕疵检测方法

技术领域

本申请涉及图像数据处理领域，具体涉及一种玻璃绝缘子表面瑕疵检测方法。

背景技术

玻璃绝缘子是一种用于电力传输和配电系统的重要组件，其主要用于支撑和固定导线，同时起到绝缘作用，防止电流泄漏到支撑结构上。玻璃绝缘子通常由玻璃纤维增强塑料或硅酸盐玻璃制成，具有良好的机械强度和电气绝缘性能。在对玻璃绝缘子加工生产的过程中，由于环境、工艺、仪器等多种因素的问题会导致玻璃绝缘子的表面可能出现不同程度的缺陷，为了保证其在后续使用过程中绝缘性能的稳定，需要在加工结束后对其表面进行质量检测。

目前，为了提高对玻璃绝缘子表面质量的检测效率，通常通过训练AI检测模型（例如神经网络模型）来实现对玻璃绝缘子表面质量的自动化检测。但是，对AI检测模型进行训练时，通常情况下会直接将所采集到的数据样本集输入神经网络模型中。在该训练方式下，由于数据样本集在进行采集的过程中是随机对某个玻璃绝缘子的某个部位进行采集的，因此所构建的数据样本集中所有的数据样本类型都是随机分布的（即合格的玻璃绝缘子与不合格的玻璃绝缘子没有进行明确的区分），这就会导致神经网络模型可能将合格玻璃绝缘子特征与不合格玻璃绝缘子特征混淆，从而使得AI检测模型无法实现对玻璃绝缘子表面瑕疵进行准确的识别，最终导致检测结果出现误差。

基于此，有必要研究一种更加可靠的玻璃绝缘子表面瑕疵检测方法，以提高AI检测模型的训练效果和检测效果。

发明内容

为解决上述问题，本说明书实施例提供一种玻璃绝缘子表面瑕疵检测方法，该方法包括：

获取玻璃绝缘子表面图像，并对所述玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像；

将所述玻璃绝缘子表面图像所对应的灰度图像作为数据样本，并根据采集时的实际状态对每个数据样本进行标注，得到对应的预设标签；

将每个数据样本转换为特征向量，并基于所述特征向量构建数据样本集，得到待处理的神经网络模型训练集；

基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集；

基于所述输入训练集对初始神经网络进行训练，得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。

在一些实施例中，所述基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集，包括：

在所述待处理的神经网络模型训练集中进行随机采样，并将随机采样所得到的第一数据样本构建为一个随机数据样本集；

使用基分类器对所述第一数据样本进行分类处理，并根据二分类结果和每一个第一数据样本对应的预设标签确定每一个基分类器的分类错误率；

基于所述分类错误率对所述第一数据样本进行权重调整，直至所述基分类器进行再次分类处理后所得到的分类错误率小于第一预设阈值时，得到目标基分类器；

将多个所述目标基分类器进行加权组合，得到目标分类器模型；

利用所述目标分类器模型对所述待处理的神经网络模型训练集进行分类处理，并根据所述目标分类器模型输出的分类结果将所述待处理的神经网络模型训练集中数据样本分为合格样本和不合格样本；

基于所述合格样本和不合格样本，得到所述输入训练集。

在一些实施例中，所述根据二分类结果和每一个第一数据样本对应的预设标签确定每一个基分类器的分类错误率，包括：

筛选出二分类结果中与对应预设标签不一致的第二数据样本；

根据所述第二数据样本的数量，确定每一个基分类器对应的分类错误率。

在一些实施例中，所述基于所述分类错误率对所述第一数据样本进行权重调整，包括：

针对所述第一数据样本中的每一个目标样本；

根据所述目标样本在历史分类结果中的分类错误率占比，确定所述目标样本的错误率；

计算所述目标样本与其他数据样本的相似程度，并将所述相似程度大于第二预设阈值的相似数据样本与所述目标样本作为同类数据样本；

根据所述目标样本与所述相似数据样本的相关性，以及所述相似数据样本中的每一个与所述同类数据样本中的其他样本之间的相关性的总和，得到所述目标样本与所述同类数据样本的特征表现程度；

基于所述特征表现程度，以及所述相似数据样本中的每一个所对应的错误率的总和，得到第一参数；

对所述第一参数与所述目标样本的错误率的第一乘积进行归一化，得到所述目标样本所对应的权重。

在一些实施例中，所述根据所述目标样本在历史分类结果中的分类错误率占比，确定所述目标样本的错误率，包括：

根据所述目标样本出现错误分类的次数以及所述基分类器的数量，确定所述目标样本在历史分类结果中的错判概率；

将每一个基分类器对应的分类错误率与所述目标样本在每一个基分类器的分类结果中的分类错误率占比相乘，得到第二乘积；

计算所有基分类器所对应的第二乘积的总和，得到第二参数；

基于所述错判概率和所述第二参数，得到所述目标样本对应的错误率。

在一些实施例中，所述目标样本与其他数据样本的相似程度基于灰度均值和灰度值标准差计算得到。

在一些实施例中，所述目标样本与所述相似数据样本的相关性基于如下方式计算得到：

计算所述目标样本与每一个相似数据样本的相似程度；

根据所述目标样本与每一个相似数据样本的灰度值标准差，以及所述目标样本与每一个相似数据样本所对应的特征向量的协方差，得到第三参数；

将所述目标样本与每一个相似数据样本的相似程度与对应的第三参数相乘，得到第三乘积；

计算所述目标样本与所有相似数据样本所对应的第三乘积的总和，得到所述目标样本与所述相似数据样本的相关性。

在一些实施例中，所述将多个所述目标基分类器进行加权组合，得到目标分类器模型，包括：

计算每一个目标基分类器所对应的权重；

将每一个目标基分类器的输出结果与其对应的权重相乘，得到第四乘积，其中，每一个目标基分类器的输出结果包括1或0；

基于所有所述目标基分类器所对应的第四乘积的总和，得到所述目标分类器模型的最终输出结果。

在一些实施例中，所述计算每一个目标基分类器所对应的权重，包括：

基于每一个目标基分类器所对应的分类错误率进行对数运算；

基于所述对数运算的运算结果得到每一个目标基分类器所对应的权重。

在一些实施例中，所述基于所有所述目标基分类器所对应的第四乘积的总和，得到所述目标分类器模型的最终输出结果，包括：

在所有所述目标基分类器所对应的第四乘积的总和大于或等于第三预设阈值时，将所述最终输出结果置为1；

在所有所述目标基分类器所对应的第四乘积的总和小于所述第三预设阈值时，将所述最终输出结果置为0。

本说明书实施例所提供的玻璃绝缘子表面瑕疵检测方法可能带来的有益效果至少包括：

（1）通过基于多个基分类器的分类表现重构数据样本集，得到输入训练集，可以将合格玻璃绝缘子样本与不合格玻璃绝缘子样本所对应的特征进行区分，从而改善训练集中数据样本的分布特征，提高对神经网络模型的训练效果和检测效果；

（2）通过对每个基分类器的分类结果进行分析，结合预设标签对每个基分类器的分类结果的错误率进行确定，同时，通过分析多个基分类器之间的关系以及错分数据样本与其他数据样本之间的关系，对每个数据样本在下一次分类过程中的权重进行自适应调整，可以提高基分类器的分类结果的准确性和可靠性，最终提高玻璃绝缘子表面瑕疵检测的检测效果；

（3）通过根据每一个目标基分类器所对应的分类错误率确定其对应的组合权重，然后基于该组合权重对各个目标基分类器进行组合，得到目标分类器模型，可以减小错误率较高的基分类器对最终分类结果的影响，从而在一定程度上提高该目标分类器模型所得到的分类结果的准确性。

附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，本申请通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的玻璃绝缘子表面瑕疵检测系统的示例性应用场景示意图；

图2是根据本说明书的一些实施例所示的玻璃绝缘子表面瑕疵检测系统的示例性模块图；

图3是根据本说明书一些实施例所示的玻璃绝缘子表面瑕疵检测方法的示例性流程图；

图4是根据本说明书一些实施例所示的玻璃绝缘子表面瑕疵检测方法的示例性子步骤流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

目前，对AI检测模型进行训练时，通常情况下会直接将所采集到的数据样本集输入进神经网络模型中。在该训练方式下，由于数据样本集在进行采集的过程中是随机对某个玻璃绝缘子的某个部位进行采集的，因此所构建的数据样本集中所有的数据样本类型都是随机分布的，换言之，即合格的玻璃绝缘子与不合格的玻璃绝缘子没有进行明确的区分，这就会导致神经网络模型可能将合格玻璃绝缘子特征与不合格玻璃绝缘子特征混淆，从而使得AI检测模型无法实现对玻璃绝缘子表面瑕疵进行准确的识别。同时，由于采集数据样本时所处环境的不同，在玻璃绝缘子表面出现的阴影、反光区域也会对质量检测造成不同程度的影响，进而导致检测结果出现误差。

针对上述问题，本说明书实施例中通过对算法计算过程中每个基分类器所得到结果的错误率进行分析，然后结合当前数据样本在多个基分类器中的分类表现以及数据样本与分类结果中其他数据样本之间的关系，实现数据样本分类权重的自适应调整，提高分类效果，最终结合分类结果构建用于训练神经网络模型的输入训练集。通过本说明书实施例提供的方案，可以改善输入训练集中数据样本的分布特征，提高对神经网络模型的训练效果。

下面结合附图对本说明书实施例提供的玻璃绝缘子表面瑕疵检测方法和系统进行详细说明。

图1是根据本说明书一些实施例所示的玻璃绝缘子表面瑕疵检测系统的示例性应用场景示意图。

参照图1，在一些实施例中，玻璃绝缘子表面瑕疵检测系统的应用场景100可以包括图像获取装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如，图像获取装置110可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。又例如，存储设备120可以与处理设备130直接连接或通过网络150连接。又例如，终端设备140可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。

图像获取装置110可以用于获取玻璃绝缘子表面图像，在本说明书实施例中，该玻璃绝缘子表面图像可以通过相机采集、网络平台下载等方式获取。在一些实施例中，图像获取装置110可以具有独立的电源，其可以通过有线或无线（例如蓝牙、WiFi等）的方式将获取的玻璃绝缘子表面图像发送给应用场景100中的其他部件（例如，存储设备120、处理设备130、终端设备140）。

在一些实施例中，图像获取装置110可以通过网络150将其采集的玻璃绝缘子表面图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中，可以通过处理设备130对图像获取装置110所获取的玻璃绝缘子表面图像进行处理。例如，处理设备130可以对该玻璃绝缘子表面图像进行数据清洗、图像降噪、灰度转换等预处理，然后基于预处理后得到的灰度图像构建数据样本集，最后基于多个基分类器对该数据样本集的分类表现对该数据样本集进行重构，得到用于训练神经网络模型的输入训练集。在一些实施例中，通过前述步骤处理得到的输入训练集可以发送至存储设备120进行存储，或者发送至终端设备140以反馈给用户。

网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的至少一个组件（例如，图像获取装置110、存储设备120、处理设备130、终端设备140）可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备130可以通过网络150从图像获取装置110和/或存储设备120获得玻璃绝缘子表面图像。又例如，处理设备130可以通过网络150从终端设备140获得用户操作指令，示例性的操作指令可以包括但不限于调阅图像获取装置110获取的玻璃绝缘子表面图像，读取基于该玻璃绝缘子表面图像得到的输入训练集等。

在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共开关电话网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或其任意组合。在一些实施例中，网络150可以包括至少一个网络接入点，应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。

存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中，存储设备120可以存储从图像获取装置110、处理设备130和/或终端设备140获得的数据。例如，存储设备120可以存储图像获取装置110获取的玻璃绝缘子表面图像和/或对该玻璃绝缘子表面图像进行预处理得到的灰度图像；又例如，存储设备120可以存储处理设备130处理得到的输入训练集。在一些实施例中，存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备120可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件（例如，图像获取装置110、处理设备130、终端设备140）通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中，存储设备120可以与应用场景100中的一个或以上组件（例如，图像获取装置110、终端设备140）直接连接或通信。在一些实施例中，存储设备120可以是图像获取装置110和/或处理设备130的一部分。

处理设备130可以处理从图像获取装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中，处理设备130可以从图像获取装置110、存储设备120或终端设备140中任意一个或多个获得玻璃绝缘子表面图像，通过对该玻璃绝缘子表面图像进行各种处理以生成用于训练神经网络模型的输入训练集。在一些实施例中，处理设备130可以从存储设备120获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的玻璃绝缘子表面瑕疵检测方法。

在一些实施例中，处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备130可以是本地或远程的。例如，处理设备130可以通过网络150从图像获取装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如，处理设备130可以直接连接到图像获取装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中，处理设备130可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。

终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括图像获取装置110获取的数据、存储设备120存储的数据、处理设备130处理得到的输入训练集等。例如，终端设备140接收和/或显示的数据可以包括图像获取装置110获取的玻璃绝缘子表面图像、处理设备130基于该玻璃绝缘子表面图像得到的输入训练集等。所述发送的数据可以包括用户的输入数据和指令等。例如，终端设备140可以将用户输入的操作指令通过网络150发送给处理设备130，以控制处理设备130进行相应的数据处理。

在一些实施例中，终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如，移动设备141可以包括移动电话、个人数字助理（PDA）、专用移动终端等或其任意组合。在一些实施例中，终端设备140可以包括输入设备（如键盘、触摸屏）、输出设备（如显示器、扬声器）等。在一些实施例中，处理设备130可以是终端设备140的一部分。

应当注意的是，上述有关应用场景100的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对应用场景100进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

图2是根据本说明书一些实施例所示的玻璃绝缘子表面瑕疵检测系统的模块示意图。在一些实施例中，图2所示的玻璃绝缘子表面瑕疵检测系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100，例如，可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140，以用于对图像获取装置110所采集的玻璃绝缘子表面图像进行处理，并基于该玻璃绝缘子表面图像得到用于训练神经网络模型的输入训练集。

参照图2，在一些实施例中，玻璃绝缘子表面瑕疵检测系统200可以包括获取模块210、标注模块220、特征向量转换模块230、数据样本集重构模块240以及训练模块250。

获取模块210可以用于获取玻璃绝缘子表面图像，并对所述玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像。

标注模块220可以用于将所述玻璃绝缘子表面图像所对应的灰度图像作为数据样本，并根据采集时的实际状态对每个数据样本进行标注，得到对应的预设标签。

特征向量转换模块230可以用于将每个数据样本转换为特征向量，并基于所述特征向量构建数据样本集，得到待处理的神经网络模型训练集。

数据样本集重构模块240可以用于基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集。

训练模块250可以用于基于所述输入训练集对初始神经网络进行训练，得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。

关于上述各个模块的更多细节可以参照本说明书的其他位置（例如图3~图4部分及其相关描述），此处不再赘述。

应当理解，图2所示的玻璃绝缘子表面瑕疵检测系统200及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。

需要注意的是，上述关于玻璃绝缘子表面瑕疵检测系统200的描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。可以理解，对于本领域的技术人员来说，可以根据本说明书的描述，在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图2中所述的获取模块210、标注模块220、特征向量转换模块230、数据样本集重构模块240以及训练模块250可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。在一些实施例中，前述各个模块可以是处理设备130和/或终端设备140的一部分。

图3是根据本说明书一些实施例所示的玻璃绝缘子表面瑕疵检测方法的示例性流程图。在一些实施例中，玻璃绝缘子表面瑕疵检测方法300可以通过处理逻辑来执行，该处理逻辑可以包括硬件（例如，电路、专用逻辑、可编程逻辑、微代码等）、软件（运行在处理设备上以执行硬件模拟的指令）等或其任意组合。在一些实施例中，图3所示的玻璃绝缘子表面瑕疵检测方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如，玻璃绝缘子表面瑕疵检测方法300可以以指令的形式存储在存储设备120中，并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述玻璃绝缘子表面瑕疵检测方法300的执行过程。

参照图3，在一些实施例中，玻璃绝缘子表面瑕疵检测方法300可以包括：

S310，获取玻璃绝缘子表面图像，并对所述玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像。在一些实施例中，S310可以由获取模块210执行。

在一些实施例中，图像获取装置110可以针对生产加工得到的玻璃绝缘子采集表面图像，该图像获取装置110采集得到的玻璃绝缘子表面图像可以存储在存储设备120中，获取模块210可以从存储设备120获取玻璃绝缘子表面图像，并对该玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像。在一些实施例中，该获取模块210可以与图像获取装置110通信连接，获取模块210可以直接从图像获取装置110获取该玻璃绝缘子表面图像。

在一些实施例中，图像获取装置110也可以从网络平台等公开渠道获取玻璃绝缘子表面图像。类似地，该玻璃绝缘子表面图像可以存储在存储设备120中，获取模块210可以从存储设备120获取玻璃绝缘子表面图像，并对该玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像。在一些实施例中，前述预处理可以包括但不限于数据清洗、图像降噪、灰度转换等。

S320，将所述玻璃绝缘子表面图像所对应的灰度图像作为数据样本，并根据采集时的实际状态对每个数据样本进行标注，得到对应的预设标签。在一些实施例中，S320可以由标注模块220执行。

在本说明书实施例中，可以将S310得到的灰度图像作为数据样本，然后根据采集时的实际状态对每一个数据样本进行标注，得到其对应的预设标签。举例而言，在一些实施例中，可以将合格的玻璃绝缘子表面图像所对应的数据样本的预设标签标注为1，不合格的玻璃绝缘子表面图像所对应的数据样本的预设标签标注为0。

S330，将每个数据样本转换为特征向量，并基于所述特征向量构建数据样本集，得到待处理的神经网络模型训练集。在一些实施例中，S330可以由特征向量转换模块230执行。

在对每一个数据样本进行标注之后，特征向量转换模块230可以将每一个数据样本转换为特征向量，并将所有特征向量构建为一个数据样本集，得到待处理的神经网络模型训练集。在本说明书中，该待处理的神经网络模型训练集可以理解为原始数据样本集，其可以通过后续步骤进行重构，以得到改善特征分布后的输入训练集。关于对该待处理的神经网络模型训练集进行重构的更多细节可以参照后文，此处暂不对其进行详细描述。

S340，基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集。在一些实施例中，S340可以由数据样本集重构模块240执行。

可以理解，训练集中数据样本的构成对最后神经网络模型的性能存在极大的关系。在本说明书实施例中，为了使神经网络模型可以更加适应不同环境下玻璃绝缘子表面变化，即提高对同种类（合格或不合格）玻璃绝缘子特征的分析能力，可以通过将数据样本集中属于同一类的数据样本构建成一个训练子集并输入神经网络模型中进行训练，从而使得模型对于同一类的特征获得更好的分类性能。在对数据样本集进行重新构建的过程中，可以根据每次基分类器的分类表现，从而对训练样本集的权重进行动态调整，使得在下一次分类的过程中更加关注被错误划分的数据样本，即提高被错误分类的样本的权重，最后将多个基分类器合并为一个分类器模型从而实现对数据样本集的划分以及训练子集的构建。在本说明书的一些实施例中，不同的基分类器可以用于不同特征的检测和识别。

参照图4，在一些实施例中，S340可以包括如下子步骤：

S341，在待处理的神经网络模型训练集中进行随机采样，并将随机采样所得到的第一数据样本构建为一个随机数据样本集。

在对神经网络模型进行训练时，通常会采集大量的数据样本从而保证神经网络模型的训练效果，因此，在对原始数据样本集（即前述待处理的神经网络模型训练集）进行重新构建时，为了降低对数据样本分类的计算量，在一些实施例中，可以在原始数据样本中进行随机采样，并将随机采样所得到的多个第一数据样本构建为一个随机数据样本集。仅作为示例，在一些实施例中，可以设置随机采样的数据样本数量为整个原始数据样本集的1/5。

S342，使用基分类器对所述第一数据样本进行分类处理，并根据二分类结果和每一个第一数据样本对应的预设标签确定每一个基分类器的分类错误率。

在本说明书实施例中，该基分类器的类型可以为随机森林算法。通过使用多个基分类器对该随机数据样本集中的第一数据样本进行分类处理（初次分类过程时每个第一数据样本所对应的权重均为1），得到每一个基分类器针对每一个第一数据样本的二分类结果（合格或不合格，其中，合格可以表示为1，不合格可以表示为0），然后结合每一个第一数据样本的先验知识（即前述预设标签）对二分类结果中各个数据样本的分类错误情况进行判断。通过筛选出所有二分类结果与对应预设标签不一致的第二数据样本，然后根据该第二数据样本的数量，即可得到每一个基分类器对应的分类错误率。

在一些实施例中，每一个基分类器所对应的分类错误率可以通过如下公式进行计算：

其中，表示第个基分类器的分类结果的错误率；和分别表示在第个基 分类器的分类结果中属于合格以及不合格类别中的分类错误量（即第个基分类器对前述 第一数据进行分类处理后所得到的第二数据样本中，对应预设标签为合格和不合格的数据 样本的数量）；表示随机数据样本集中第一数据样本的数量。

S343，基于所述分类错误率对所述第一数据样本进行权重调整，直至所述基分类器进行再次分类处理后所得到的分类错误率小于第一预设阈值时，得到目标基分类器。

在对随机数据样本集中的第一数据样本进行分类的过程中，数据样本的权重会影响在分类过程中对于每一个数据样本的关注程度，即在分类过程中算法会更加注意属于该数据样本的特征，从而更加有针对性的进行分类，提高对于某一类数据样本的分类效果。因此，在本说明书的一些实施例中，为了使错误分类的数据样本可能获得正确的分类结果，可以通过对错误分类的数据样本的权重进行动态调整，使得算法在进行重复分类时对这些数据样本的分类效果更好。

具体而言，在一些实施例中，针对第一数据样本中的每一个目标样本，可以根据该目标样本在历史分类结果中的分类错误率占比，确定其对应的错误率；然后，计算该目标样本与其他数据样本的相似程度，并将该相似程度大于第二预设阈值的相似数据样本与该目标样本作为同类数据样本；进一步地，可以根据该目标样本与该相似数据样本的相关性，以及该相似数据样本中的每一个与前述同类数据样本中的其他样本之间的相关性的总和，得到该目标样本与同类数据样本的特征表现程度；最后，基于该特征表现程度，以及前述相似数据样本中的每一个所对应的错误率的总和，得到第一参数，并对该第一参数与目标样本的错误率的第一乘积进行归一化，即可得到目标样本所对应的权重。

在一些实施例中，前述目标样本可以指分类错误的样本，即前述二分类结果与对应预设标签不一致的第二数据样本。在一些实施例中，目标样本所对应的权重可以通过如下公式计算得到：

其中，表示目标样本对应的权重；表示归一化运算；表示目标样本与 同类数据样本的相关性；表示第i个相似数据样本与同类数据样本中的其他样本之间的 相关性；表示相似数据样本的数量；表示目标样本与同类数据样本的特征表现程 度；表示目标样本在最新时刻的错误率；表示与目标样本相似的第i个相似数据样 本在最新时刻的错误率。

需要说明的是，对于随机数据样本集中的某个数据样本，在不同的分类结果中可能获得正确的分类也可能获得错误的分类，因此在对数据样本进行权重的调整时，可以结合当前数据样本的历史分类结果错误率对权重进行调整，具体来说，即当历史分类的结果错误率越高，则其对应的权重越高。同时，由于每个分类结果的分类错误率也不同，在分类错误率较高的分类结果中，当数据样本出现错误分类就不显得明显，而在分类错误率较低的分类结果中，当数据样本出现错误分类就显得尤为明显。基于此，在一些实施例中，可以结合当前数据样本在历史分类结果的分类错误率占比，来获取当前数据样本的错误率。

以目标样本为例，在一些实施例中，目标样本在最新时刻所对应的错误率可 以通过如下公式计算：

其中，表示最新时刻的目标样本的错误率；表示目标样本出现错误分类的 次数，表示基分类器的数量（分类结果数量），表示目标样本在历史分类结果中的错判 概率；表示归一化运算；表示第个基分类器的分类结果的错误率；表示目标样 本在第次分类结果中的分类错误率（即在第个基分类器的分类结果中，若该样本被错误 分类则错误率为1，若被正确分类则错误率为0）；和分别表示第个基分类器的分类 结果中属于合格以及不合格类别中的分类错误量（具体含义可以参照上文）， 表示第个基分类器的分类结果中分类错误的数据样本总数量，表示在第次分类 结果中目标样本的分类错误率占比。需要说明的是，在本说明书实施例中，前述参数， ，以及均以最新时刻所对应的数据进行计算。

具体而言，即可以根据最新时刻目标样本出现错误分类的次数以及基分类器的数 量，确定目标样本在历史分类结果中的错判概率（）；然后将每一个基分类器对应的分类 错误率（）与目标样本在每一个基分类器的分类结果中的分类错误率占比（）相 乘，得到第二乘积（）；进一步地，计算所有基分类器所对应的第二乘积的总和， 得到第二参数（）；最后，基于该错判概率和第二参数，即可得到目标样 本对应的错误率。与目标样本相似的第i个相似数据样本在最新时刻的错误率可 以基于类似的方式进行计算，本说明书中不再赘述。

在一些实施例中，目标样本与其他数据样本的相似程度可以基于灰度均值和灰度值标准差计算得到。示例性地，在一些实施例中，目标样本与其他数据样本的相似程度可以通过如下公式进行计算：

其中，表示目标样本与数据样本的相似程度，其值域为；表示目标样 本的灰度均值，表示目标样本的灰度值标准差；表示数据样本的灰度均值，表示 数据样本的灰度值标准差；表示数据样本和数据样本的灰度的协方差。

需要说明的是，在本说明书实施例中，目标样本与其他数据样本的相似程度的计算方式可以视为现有技术（如SSIM（Structural Similarity）结构相似性算法），本说明书中不再对其进行详细描述。

在一些实施例中，前述第二预设阈值可以为0.5，具体而言，即可以将相似程度 大于0.5的其他相似数据样本与该目标样本作为同类数据样本。

还需要说明的是，在本说明书实施例中，通过上述公式对目标样本与其他数据样本的相似程度进行计算，可以对前述随机数据样本集中每一个第一数据样本与其他数据样本之间的相似程度进行分析。对于相似程度较高的数据样本，若同类型数据样本的分类错误率越高，说明当前基分类器模型对该类数据样本的分类效果较差，则对于该数据样本，可以提高其对应的权重。同时，对于随机数据样本集中错误率较高的数据样本，若在同类型数据样本的错误率同样较高的前提下，且该样本与其他样本之间的相关性越大，即该数据样本对于同类型数据样本的特征表现程度越高，则该数据样本对应的权重越高。

进一步地，可以基于目标样本与每一个相似数据样本的相似程度计算该目标样本与相似数据样本的相关性。在一些实施例中，目标样本与相似数据样本的相关性的计算过程可以表示如下：

其中，表示目标样本与同类数据样本（即相似程度大于0.5的相似数据样 本）的相关性；表示相似数据样本的数量；表示目标样本与第j个相似数据样本的相 似程度；表示目标样本对应的特征向量，表示第j个相似数据样本对应的特征向量；表示目标样本与第j个相似数据样本所对应的特征向量的协方差；表示目标 样本的灰度值标准差，表示第j个相似数据样本的灰度值标准差，为常数，用于避免上 述公式中分母部分为0。示例性地，在一些实施例中，可以取值为1。

具体而言，即可以计算目标样本与每一个相似数据样本的相似程度；然后根据该 目标样本与每一个相似数据样本的灰度值标准差，以及该目标样本与每一个相似数据样本 所对应的特征向量的协方差，得到第三参数（）；进一步地，可以将目标样本与每一 个相似数据样本的相似程度与对应的第三参数相乘，得到第三乘积（）；最 后，计算该目标样本与所有相似数据样本所对应的第三乘积的总和（ ），即可得到目标样本与相似数据样本（或同类数据样本）的相关性。

在一些实施例中，可以根据目标样本与前述相似数据样本的相关性（），以及该 相似数据样本中的每一个与同类数据样本中的其他样本之间的相关性的总和（），得 到目标样本与所述同类数据样本的特征表现程度（）。进一步地，基于该特征表现程 度，以及前述相似数据样本中的每一个所对应的错误率的总和（），可以得到第一参 数；最后，通过对该第一参数与目标样本的错误率的第一乘积（）进行归一化，即可得到目标样本所对应的权重。

通过前述步骤，可以得到第一数据样本中的每一个目标样本对应的权重。随后，将前述随机数据样本再次输入到基分类器中，可以得到新的分类结果。基于该分类结果，可以重新计算各个基分类器所对应的分类错误率，若该分类错误率大于或等于第一预设阈值，则再次更新各个数据样本所对应的权重，直至该基分类器进行再次分类处理后所得到的分类错误率小于该第一预设阈值时，得到目标基分类器。示例性地，在一些实施例中，该第一预设阈值可以设置为0.1，换言之，即当其中某个（或全部）基分类器模型的分类错误率小于0.1时，认为当前基分类器模型的性能已经满足对随机数据样本集进行分类的条件。

S344，将多个所述目标基分类器进行加权组合，得到目标分类器模型。

在通过上述步骤得到目标基分类器后，可以将多个目标基分类器进行加权组合，得到目标分类器模型。具体地，在一些实施例中，可以先计算每一个目标基分类器所对应的权重；然后，将每一个目标基分类器的输出结果与其对应的权重相结合，从而得到目标分类器模型的最终输出结果。

在一些实施例中，每一个目标基分类器所对应的权重可以通过如下公式进行计算：

其中，表示第个目标基分类器所对应的组合权重；表示对数运算；表示第 个目标基分类器在最新时刻所对应的分类错误率。具体而言，即，在一些实施例中，可以基 于每一个目标基分类器所对应的分类错误率进行对数运算，然后基于对数运算的运算结果 得到每一个目标基分类器所对应的组合权重。

进一步地，可以将加权组合后得到的目标分类器模型表示如下：

其中，表示最终获得的目标分类器模型；表示函数运算；表示第个目 标基分类器所对应的组合权重；表示第个目标基分类器的输出结果（包括1或0）；表 示目标基分类器的数量，在本说明书实施例中，目标基分类器的数量与前述基分类器的数 量相同。具体而言，即，在一些实施例中，可以将每一个目标基分类器的输出结果与其对应 的权重相乘，得到第四乘积（），然后基于所有目标基分类器所对应的第四乘积 的总和（），得到目标分类器模型的最终输出结果。

在本说明书的一些实施例中，可以通过符号函数对前述过程中计算得到的所有目标基分类器所对应的第四乘积的总和进行处理，从而得到目标分类器模型的最终输出结果。仅作为示例，在一些实施例中，可以在所有目标基分类器所对应的第四乘积的总和大于或等于第三预设阈值时，将目标分类器模型的最终输出结果置为1；在所有目标基分类器所对应的第四乘积的总和小于该第三预设阈值时，将该目标分类器模型的最终输出结果置为0。在一些实施例中，该第三预设阈值可以设置为0.5。

S345，利用所述目标分类器模型对所述待处理的神经网络模型训练集进行分类处理，并根据所述目标分类器模型输出的分类结果将所述待处理的神经网络模型训练集中数据样本分为合格样本和不合格样本。

在通过上述步骤得到目标分类器模型之后，可以利用该目标分类器模型对前述待处理的神经网络模型训练集进行分类处理，然后根据该目标分类器模型输出的分类结果将待处理的神经网络模型训练集中数据样本分为合格样本和不合格样本。

具体而言，在本说明书的一些实施例中，通过该目标分类器模型对前述待处理的神经网络模型训练集中的每一个数据样本进行分类处理后，可以输出1或0。其中，1表示对应的数据样本为合格样本，也就是说，其对应的玻璃绝缘子表面图像为合格影像，相反，0表示对应的数据样本为不合格样本，其对应的玻璃绝缘子表面图像为不合格影像。

S346，基于所述合格样本和不合格样本，得到所述输入训练集。

在本说明书实施例中，可以将前述合格样本和不合格样本作为两个训练子集，并将这两个训练子集作为用于训练神经网络模型的输入训练集，完成对神经网络模型训练集的构建。

需要指出的是，通过上述方法，可以将合格样本与不合格样本所对应的特征进行区分，从而改善训练集中数据样本的分布特征，提高对神经网络模型的训练效果和检测效果。

S350，基于所述输入训练集对初始神经网络进行训练，得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。在一些实施例中，S350可以由训练模块250执行。

通过上述步骤，可以将原始数据样本集（即待处理的神经网络模型训练集）中的数据样本划分为合格玻璃绝缘子以及不合格（或劣质）玻璃绝缘子两个子集，从而得到输入训练集。在一些实施例中，可以在该输入训练集中表示出各个玻璃绝缘子所包含的表面瑕疵的位置和/或类型。

进一步地，可以将该输入训练集输入初始神经网络进行训练，从而得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。

在一些实施例中，该初始神经网络可以是基于卷积神经网络结构（CNN）构建的玻璃绝缘子表面特征检测网络。通过将前述输入训练集输入到初始神经网络模型中，然后通过前向传播计算模型的输出结果，并基于模型的输出结果与真实标签计算损失值（定义训练过程中的损失函数采用交叉熵损失函数），最后基于损失值修改模型参数并迭代多次上述步骤，直至模型收敛，得到目标神经网络模型。

在训练结束后，可以将原始数据样本中的剩余数据样本输入到该目标神经网络模型中，并结合真实标签以及输出值完成对模型的评估，得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。最后，重新对实际数据进行采集，并将其构建的数据样本输入该目标神经网络模型，得到输出结果，即可实现对玻璃绝缘子表面瑕疵的检测。

综上所述，本说明书实施例可能带来的有益效果包括但不限于：（1）在本说明书一些实施例所提供的玻璃绝缘子表面瑕疵检测方法中，通过基于多个基分类器的分类表现重构数据样本集，得到输入训练集，可以将合格玻璃绝缘子样本与不合格玻璃绝缘子样本所对应的特征进行区分，从而改善训练集中数据样本的分布特征，提高对神经网络模型的训练效果和检测效果；（2）在本说明书一些实施例所提供的玻璃绝缘子表面瑕疵检测方法中，通过对每个基分类器的分类结果进行分析，结合预设标签对每个基分类器的分类结果的错误率进行确定，同时，通过分析多个基分类器之间的关系以及错分数据样本与其他数据样本之间的关系，对每个数据样本在下一次分类过程中的权重进行自适应调整，可以提高基分类器的分类结果的准确性和可靠性，最终提高玻璃绝缘子表面瑕疵检测的检测效果；（3）在本说明书一些实施例所提供的玻璃绝缘子表面瑕疵检测方法中，通过根据每一个目标基分类器所对应的分类错误率确定其对应的组合权重，然后基于该组合权重对各个目标基分类器进行组合，得到目标分类器模型，可以减小错误率较高的基分类器对最终分类结果的影响，从而在一定程度提高该目标分类器模型所得到的分类结果的准确性。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例中，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种玻璃绝缘子表面瑕疵检测方法，其特征在于，包括：

获取玻璃绝缘子表面图像，并对所述玻璃绝缘子表面图像进行预处理，得到每个玻璃绝缘子表面图像所对应的灰度图像；

将所述玻璃绝缘子表面图像所对应的灰度图像作为数据样本，并根据采集时的实际状态对每个数据样本进行标注，得到对应的预设标签；

将每个数据样本转换为特征向量，并基于所述特征向量构建数据样本集，得到待处理的神经网络模型训练集；

基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集；

基于所述输入训练集对初始神经网络进行训练，得到用于玻璃绝缘子表面瑕疵检测的目标神经网络模型。

2.如权利要求1所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述基于多个基分类器对所述待处理的神经网络模型训练集的分类表现重构所述数据样本集，得到输入训练集，包括：

在所述待处理的神经网络模型训练集中进行随机采样，并将随机采样所得到的第一数据样本构建为一个随机数据样本集；

使用基分类器对所述第一数据样本进行分类处理，并根据二分类结果和每一个第一数据样本对应的预设标签确定每一个基分类器的分类错误率；

基于所述分类错误率对所述第一数据样本进行权重调整，直至所述基分类器进行再次分类处理后所得到的分类错误率小于第一预设阈值时，得到目标基分类器；

将多个所述目标基分类器进行加权组合，得到目标分类器模型；

利用所述目标分类器模型对所述待处理的神经网络模型训练集进行分类处理，并根据所述目标分类器模型输出的分类结果将所述待处理的神经网络模型训练集中数据样本分为合格样本和不合格样本；

基于所述合格样本和不合格样本，得到所述输入训练集。

3.如权利要求2所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述根据二分类结果和每一个第一数据样本对应的预设标签确定每一个基分类器的分类错误率，包括：

筛选出二分类结果中与对应预设标签不一致的第二数据样本；

根据所述第二数据样本的数量，确定每一个基分类器对应的分类错误率。

4.如权利要求3所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述基于所述分类错误率对所述第一数据样本进行权重调整，包括：

针对所述第一数据样本中的每一个目标样本；

根据所述目标样本在历史分类结果中的分类错误率占比，确定所述目标样本的错误率；

计算所述目标样本与其他数据样本的相似程度，并将所述相似程度大于第二预设阈值的相似数据样本与所述目标样本作为同类数据样本；

根据所述目标样本与所述相似数据样本的相关性，以及所述相似数据样本中的每一个与所述同类数据样本中的其他样本之间的相关性的总和，得到所述目标样本与所述同类数据样本的特征表现程度；

基于所述特征表现程度，以及所述相似数据样本中的每一个所对应的错误率的总和，得到第一参数；

对所述第一参数与所述目标样本的错误率的第一乘积进行归一化，得到所述目标样本所对应的权重。

5.如权利要求4所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述根据所述目标样本在历史分类结果中的分类错误率占比，确定所述目标样本的错误率，包括：

根据所述目标样本出现错误分类的次数以及所述基分类器的数量，确定所述目标样本在历史分类结果中的错判概率；

将每一个基分类器对应的分类错误率与所述目标样本在每一个基分类器的分类结果中的分类错误率占比相乘，得到第二乘积；

计算所有基分类器所对应的第二乘积的总和，得到第二参数；

基于所述错判概率和所述第二参数，得到所述目标样本对应的错误率。

6.如权利要求4所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述目标样本与其他数据样本的相似程度基于灰度均值和灰度值标准差计算得到。

7.如权利要求4所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述目标样本与所述相似数据样本的相关性基于如下方式计算得到：

计算所述目标样本与每一个相似数据样本的相似程度；

根据所述目标样本与每一个相似数据样本的灰度值标准差，以及所述目标样本与每一个相似数据样本所对应的特征向量的协方差，得到第三参数；

将所述目标样本与每一个相似数据样本的相似程度与对应的第三参数相乘，得到第三乘积；

计算所述目标样本与所有相似数据样本所对应的第三乘积的总和，得到所述目标样本与所述相似数据样本的相关性。

8.如权利要求2所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述将多个所述目标基分类器进行加权组合，得到目标分类器模型，包括：

计算每一个目标基分类器所对应的权重；

将每一个目标基分类器的输出结果与其对应的权重相乘，得到第四乘积，其中，每一个目标基分类器的输出结果包括1或0；

基于所有所述目标基分类器所对应的第四乘积的总和，得到所述目标分类器模型的最终输出结果。

9.如权利要求8所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述计算每一个目标基分类器所对应的权重，包括：

基于每一个目标基分类器所对应的分类错误率进行对数运算；

基于所述对数运算的运算结果得到每一个目标基分类器所对应的权重。

10.如权利要求8所述的一种玻璃绝缘子表面瑕疵检测方法，其特征在于，所述基于所有所述目标基分类器所对应的第四乘积的总和，得到所述目标分类器模型的最终输出结果，包括：

在所有所述目标基分类器所对应的第四乘积的总和大于或等于第三预设阈值时，将所述最终输出结果置为1；

在所有所述目标基分类器所对应的第四乘积的总和小于所述第三预设阈值时，将所述最终输出结果置为0。