[发明专利]一种绝缘子识别模型的获取方法、装置及计算机设备

说明书

本发明提供一种绝缘子识别模型的获取方法、装置及计算机设备。该绝缘子自爆程度识别模型的获取方法包括：首先获取包含绝缘子元素的初始样本图像，然后将初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，第二训练样本集合包含不同自爆程度的绝缘子图像。再基于第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。本发明可以检测出绝缘子串中存在的自爆区域及整个绝缘子串中包含的自爆缺陷数，从而完成绝缘子自爆程度识别。

技术领域

本发明涉及图像处理领域，尤其涉及一种绝缘子识别模型的获取方法、装置及计算机设备。

背景技术

电力作为当前不可或缺的重要能源，在人们日常生活中扮演着重要角色。输电线路是重要的电力运输载体，保障其正常运行对整个输电网络的安全尤为重要。绝缘子因为其独特的电气绝缘性能和对线路的支撑固定作用，广泛应用于输电线路中。玻璃绝缘子凭借“零值自爆”的特点，便于运维人员快速准确的确定玻璃绝缘子缺陷位置，成为了主流使用的绝缘子种类。

玻璃绝缘子会由于其内部因素玻璃材质质量问题或外力因素造成“零值自爆”，而玻璃绝缘子自爆会对整个输电线路的安全运行造成影响，导致相应的输电线路故障。因此识别输电线路玻璃绝缘子自爆程度，即单个自爆区域玻璃绝缘子自爆片数，是维护整个输电线路安全运行的重要运维环节。

随着无人机技术的发展，电力巡检部门开始利用无人机承担输电线路巡检任务。目前，基于航拍图像的绝缘子自爆检测方法中，应用较广的是深度学习法。从实现步骤上来看，深度学习法有目标检测和语义分割两大类。目标检测算法以Faster R-CNN为代表的双阶段方法和SSD，YOLO等为代表的单阶段方法。双阶段方法将目标检测分为特征提取和分类两个步骤，具有高精度和无法满足实时性的特点；单阶段方法主要思想是将目标检测问题视为回归问题，直接给出预测位置和类别，在保证较高精度的同时满足了实时性要求；语义分割算法可以很好地获取目标边界信息，去除背景干扰，虽然有利于后续的缺陷精准定位，但是无法保证目标分割的完整性。

所以，当前对于绝缘子的相关研究侧重于缺陷检测和实时性等方面，较少涉及和考虑小样本数据问题和自爆程度。

发明内容

为了解决上述技术问题，本发明提供了一种绝缘子识别模型的获取方法及装置，具体方案如下：

第一方面，本申请实施例提供了一种绝缘子识别模型的获取方法，所述方法包括：

获取包含绝缘子元素的初始样本图像；

将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合，其中，所述第一训练样本集合包括含绝缘子元素的正样本图像和不含绝缘子元素的负样本图像，所述第二训练样本集合包括不同自爆程度的绝缘子元素的样本图像；

基于所述第一训练样本集合进行模型训练，得到绝缘子元素识别模型，并基于所述第二训练样本集合进行模型训练，得到绝缘子自爆程度识别模型。

根据本申请公开的一种具体实施方式，所述将所述初始样本图像进行数据扩充，分别得到第一训练样本集合和第二训练样本集合的步骤，包括：

从所述初始样本图像中提取绝缘子元素的绝缘子片元素和瓷器元素；

根据所述绝缘子片元素和所述瓷器元素生成不同自爆缺陷位置和自爆缺陷数量的绝缘子串；

根据所述不同自爆缺陷位置和自爆缺陷数量的绝缘子串调整所述初始样本图像的绝缘子元素区域，得到预处理集合，其中，所述预处理集合包含不同自爆缺陷位置和数量的绝缘子串的图像；

将预处理集合进行数据扩充，得到所述第一训练样本集合和所述第二训练样本集合。