[發明專利]電力稀缺缺陷圖像生成及檢測方法、裝置及相關設備

在審

• 申請號: 202110346070.2
• 申請日: 2021-03-31
• 公開（公告）號: CN113284086A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 林嘉鑫;賴蔚蔚;吳廣財;鄭杰生;鄭穎龍;周昉昉;劉佳木;陳穎璇
• 申請（專利權）人: 廣東電力信息科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市華優知識產權代理事務所(普通合伙) 44319
• 代理人: 余薇

本發明公布了提供一種電力稀缺缺陷圖像生成及檢測方法，包括：獲取第一缺陷絕緣子圖像以及完整絕緣子圖像，并根據所述第一缺陷絕緣子圖像將所述完整絕緣子圖像轉換為缺陷絕緣子圖像，得到樣本缺陷絕緣子圖像；將所述完整絕緣子圖像以及所述樣本缺陷絕緣子圖像訓練缺陷絕緣子檢測模型，得到訓練好的缺陷絕緣子檢測模型；將待檢測圖像輸入到所述訓練好的缺陷絕緣子檢測模型進行檢測。通過將完整絕緣子圖像轉換為缺陷絕緣子圖像，增加樣本缺陷絕緣子圖像的樣本量和樣本類型，通過數量更多樣本缺陷絕緣子圖像用于訓練缺陷絕緣子檢測模型，避免模型過擬合，提高缺陷絕緣子的檢測準確度。

技術領域

本發明涉及人工智能領域，更具體的說，是涉及一種電力稀缺缺陷圖像生成及檢測方法、裝置、電子設備及存儲介質。

背景技術

中國電網正處于高速發展階段，配電線路是電網的重要組成部分，線路的巡檢也是越來越重要，而絕緣子是配網中最常見的電力部件，因此，有必要對配網線路中絕緣子的狀態進行巡檢，及時發現絕緣子缺陷問題，以便及時處理。而隨著科技的進步，無人機逐漸應用到電力巡檢工作中。無人機能夠提供大量的巡檢圖像，但僅僅依靠人工難以滿足圖像的物體識別與處理及時性，需要使用基于人工智能深度學習的圖像識別處理技術。

目前深度學習神經網絡在圖像識別上效果明顯，但深度學習是典型的數據驅動技術，其能利用大量的數據訓練模型，通過學習發現規律，提取數據特征。但由于絕緣子本身故障相對較少，實際缺陷樣本少，且與正常絕緣子樣本數量嚴重不平衡，訓練出來的模型容易出現過擬合等現象，導致絕緣子缺陷狀態容易被誤判，檢測的準確度不高。

申請內容

本發明的目的是針對上述現有技術存在的缺陷，提供一種電力稀缺缺陷圖像生成及檢測方法，提高缺陷樣本的數量，以提高缺陷絕緣子檢測模型的訓練效果，進而提高陷絕緣子檢測準確度。

本發明的目的是通過以下技術方案來實現的：

第一方面，提供一種缺陷絕緣子檢測方法，所述方法包括：

獲取第一缺陷絕緣子圖像以及完整絕緣子圖像，并根據所述第一缺陷絕緣子圖像將所述完整絕緣子圖像轉換為缺陷絕緣子圖像，得到樣本缺陷絕緣子圖像；

將所述完整絕緣子圖像以及所述樣本缺陷絕緣子圖像訓練缺陷絕緣子檢測模型，得到訓練好的缺陷絕緣子檢測模型；

將待檢測圖像輸入到所述訓練好的缺陷絕緣子檢測模型進行檢測。

可選的，所述根據所述第一缺陷絕緣子圖像將所述完整絕緣子圖像轉換為缺陷絕緣子圖像，得到樣本缺陷絕緣子圖像，包括：

對所述第一缺陷絕緣子圖像進行擴充，得到第二缺陷絕緣子圖像；

根據所述第二缺陷絕緣子圖像將所述完整絕緣子圖像轉換為缺陷絕緣子圖像，得到第三缺陷絕緣子圖像；

基于所述第三缺陷絕緣子圖像，得到樣本缺陷絕緣子圖像。

可選的，所述對所述第一缺陷絕緣子圖像進行擴充，得到第二缺陷絕緣子圖像，包括：

通過數據增強方式對所述第一缺陷絕緣子圖像進行擴充，得到第二缺陷絕緣子圖像。

可選的，所述根據所述第二缺陷絕緣子圖像將所述完整絕緣子圖像轉換為缺陷絕緣子圖像，得到第三缺陷絕緣子圖像，包括：

根據所述第二缺陷絕緣子圖像，劃分第一樣本集，根據所述完整絕緣子圖像劃分第二樣本集；

根據所述第一樣本集與所述第二樣本集訓練缺陷絕緣子圖像生成網絡，得到訓練好的缺陷絕緣子圖像生成網絡；

將所述完整絕緣子圖像輸入到所述訓練好的缺陷絕緣子圖像生成網絡，得到第三缺陷絕緣子圖像。