[发明专利]一种输电系统的小目标识别方法及装置

说明书

本申请公开了一种输电系统的小目标识别方法及装置，其方法通过对具有目标物的图像集进行图像增强，以提高图像分辨率，再对图像集进行增广处理，增加图像集的图像数量和多样性，并在目标物对应的真实位置上添加类别标签，利用Darknet53神经网络构建的特征提取模型作为深度卷积神经网络的特征提取器，通过样本集训练建立图像目标识别模型，从而可以快速识别图像中目标物的类别及其对应的位置信息。

技术领域

本申请涉及图像识别技术领域，尤其涉及一种输电系统的小目标识别方法及装置。

背景技术

当今社会对于电力供应的依赖越来越强。目前，绝缘子识别方法主要为传统的人工实地检测以及无人机航拍检测，人工检测技术识别精度高，但信息采集困难，效率低；而使用无人机进行输电线路的巡检，虽然信息采集方便，但仍需人工对采集图像进行检测，该技术虽然比传统的人工实地检测技术效率更高，但也会受到相关因素的影响，例如无人机在拍摄绝缘子时的环境影响和人工长时间的进行对航拍图像的检测容易出现漏检现象等。

同时，绝缘子等电气设备体积小目标，数量多，机巡图像中的绝缘子本身属于较小目标检测，在光线暗弱、背景复杂、天气状况不佳(如雨雪霜雾天气)条件下，难以对图像中的小目标进行快速识别定位。

发明内容

本申请提供了一种输电系统的小目标识别方法及装置，用于解决上述难以对图像中的小目标进行快速识别定位的技术问题。

有鉴于此，本申请第一方面提供了一种输电系统的小目标识别方法，包括以下步骤：

S1、获取具有目标物的图像集，对所述图像集进行图像增强处理；

S2、对经图像增强处理后的所述图像集进行增广处理，对经增广处理的所述图像集进行尺寸调整，将所述图像集的尺寸调整为统一的目标尺寸；

S3、基于标注软件在所述图像集中利用矩形框标记每个图像中的所述目标物，获得所述目标物的真实位置，在每个矩形框中所述目标物对应的真实位置上添加类别标签，以XML文件保存所述目标物真实位置及其对应的类别标签；

S4、将步骤S3标记后的所述图像集划分为训练集、样本集和测试集；

S5、将所述训练集输入到Darknet 53神经网络中训练，输出所述目标物的特征信息，以构建特征提取模型，所述Darknet 53神经网络包括群组归一化层；

S6、基于深度卷积神经网络对所述样本集进行训练，以建立图像目标识别模型，所述深度卷积神经网络以所述特征提取模型作为特征提取器；

S7、基于所述图像目标识别模型对所述测试集进行目标识别，以得到所述测试集中的目标物的类别及其对应位置的识别结果。

优选地，步骤S1具体包括：

S101、通过输电系统的现场摄像头获取具有目标物的图像，识别所述具有目标物的图像的背景，根据背景类型将所述具有目标物的图像按照VOC图像集格式创建不同的图像集；

S102、基于预设的图像增强算法池中随机选择一种或多种图像增强算法对所述图像集进行图像增强处理，所述预设的图像增强算法池内包括基于直方图均衡化的图像增强算法、基于拉普拉斯算子的图像增强算法、基于伽马变换的图像增强和基于主动光照的图像增强算法。

优选地，步骤S2具体包括：

S201、对经图像增强处理后的所述图像集进行增广处理，其中，增广处理的方式包括亮度变换、饱和度变换、对比度变换、翻转变换、随机修剪、噪声扰动和旋转变换；

S202、对经增广处理的所述图像集进行尺寸调整，将所述图像集的尺寸调整为统一的目标尺寸。

优选地，步骤S3之前包括：