[發明專利]一種絕緣子圖像分類方法及系統

在審

• 申請號: 201810338505.7
• 申請日: 2018-04-16
• 公開（公告）號: CN108564125A
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 翟永杰;程海燕;趙猛;張木柳;楊旭
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王戈

本發明公開了一種絕緣子圖像分類方法及系統。該方法包括：制備模擬圖像；所述模擬圖像為輸電線路的模擬航拍圖像，所述模擬圖像包括絕緣子圖像和背景圖；獲取輸電線路的歷史航拍圖像；通過所述模擬圖像以及所述歷史航拍圖像，對神經網絡模型進行訓練，得到分類模型；對輸電線路進行拍攝，得到輸電線路的當前航拍圖像；根據所述分類模型對所述當前航拍圖像進行分類，得到絕緣子圖像。通過本方法或系統能夠擴充訓練樣本，提高分類模型的準確性。

技術領域

本發明涉及圖像分類領域，特別是涉及一種絕緣子圖像分類方法及系統。

背景技術

絕緣子是輸電線路中重要的電氣絕緣及機械支撐部件，同時也是故障多發部件，因絕緣子故障而引起的事故數量已位居輸電線路事故數量的榜首。若不及時巡檢發現絕緣子存在的安全隱患，會造成重大損失。近年來，在智能電網建設中，多旋翼無人機開始逐步承擔輸電線路的巡檢任務，力圖克服人工巡檢的低效性和危險性。但飛行機器人采集的航拍圖像中，背景復雜多變且干擾很多，目標識別難度很大，在很多情況下，人工觀測都需要仔細辨認才能夠發現。因此，研究復雜背景下的目標識別是實現無人機自主檢測功能的關鍵。

目前，深度學習算法在絕緣子檢測中實踐應用的一大主要瓶頸就是訓練樣本問題：(1)訓練樣本不完備：目標種類、長度、角度各異，航拍視角和視距變化很大，樣本采集不全面。(2)訓練樣本品質不高：輸電走廊的自然環境和地貌隨季節變化，無人機自上向下拍攝，航拍圖像背景復雜多變；絕緣子目標和故障區域在圖像中不夠突出，干擾情況嚴重。

發明內容

本發明的目的是針對現有技術存在的問題，提供一種訓練樣本充足、分類準確的絕緣子圖像分類方法及系統。

為實現上述目的，本發明提供了如下方案：

一種絕緣子圖像分類方法，所述方法包括：

制備模擬圖像；所述模擬圖像為輸電線路的模擬航拍圖像，所述模擬圖像包括絕緣子圖像和背景圖；

獲取輸電線路的歷史航拍圖像；

通過所述模擬圖像以及所述歷史航拍圖像，對神經網絡模型進行訓練，得到分類模型；

對輸電線路進行拍攝，得到輸電線路的當前航拍圖像；

根據所述分類模型對所述當前航拍圖像進行分類，得到絕緣子圖像。

可選的，所述制備模擬圖像，具體包括：

根據絕緣子的尺寸和形狀，繪制絕緣子部件，所述絕緣子部件包括金屬端頭、傘盤以及棒芯；

設置絕緣子各個部件的材質參數；

將各個部件進行組合，得到絕緣子；

對所述絕緣子進行環境渲染，得到模擬圖像。

可選的，所述通過所述模擬圖像以及所述歷史航拍圖像，對神經網絡模型進行訓練，得到分類模型，具體包括：

通過所述神經網絡模型對所述模擬圖像以及所述歷史航拍圖像進行分類，得到背景圖輸出數據以及絕緣子圖像輸出數據；

判斷所述背景圖輸出數據以及絕緣子圖像數據是否在誤差閾值范圍內；

否是，則確定所述神經網絡模型為分類模型；

若否，則調整所述神經網絡模型的參數，使所述背景圖輸出數據以及絕緣子圖像數據在誤差閾值范圍內，得到分類模型。

可選的，所述神經網絡模型包括3個卷積層、3個下采樣層以及1個全連接層。

一種絕緣子圖像分類系統，包括：

制備模塊，用于制備模擬圖像；所述模擬圖像為輸電線路的模擬航拍圖像，所述模擬圖像包括絕緣子圖像和背景圖；