一种绝缘子外套裂纹识别方法、装置及存储介质与流程

1.本发明涉及电力设备检测技术领域，尤其涉及一种绝缘子外套裂纹识别方法、装置及存储介质。


背景技术：

2.目前绝缘子外套裂纹缺陷图像的准确识别需要大量样本来进行模型训练，而实际中可用于模型训练的裂纹缺陷图像数据严重不足，从而导致裂纹缺陷故障识别精度不高、训练过拟合等问题。
3.在小样本条件的基础上进行图像识别的方法分为传统的机器学习法和在迁移学习两种方法。虽然第二种方法相比第一种更能够利用深度学习网络的多层结构的作用，使下层特征慢慢迁移到上层，但是仍存在识别精度不高的问题。


技术实现要素：

4.本发明提供了一种绝缘子外套裂纹识别方法、装置及存储介质，解决了现有绝缘子外套裂纹识别方法在小样本条件下识别精度不高的技术问题。
5.本发明第一方面实施例提供一种绝缘子外套裂纹识别方法，所述方法包括：
6.采集现有裂纹图像构建第一数据集，采集绝缘子外套裂纹图像构建第二数据集；
7.基于所述第一数据集，采用元学习方法对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型；
8.基于所述第二数据集，采用元学习方法对所述初始裂纹图像识别网络模型进行训练，得到训练好的裂纹图像识别网络模型；
9.对所述训练好的裂纹图像识别网络模型进行置信度验证，将验证通过的裂纹图像识别网络模型作为目标裂纹图像识别网络模型；
10.基于所述目标裂纹图像识别网络模型对待识别绝缘子外套裂纹图像进行裂纹识别。
11.根据本发明第一方面实施例的一种能够实现的方式，所述全卷积神经网络为u-net网络。
12.根据本发明第一方面实施例的一种能够实现的方式，所述采集绝缘子外套裂纹图像构建第二数据集，包括：
13.对采集到的绝缘子外套裂纹图像数据进行数据增强处理。
14.根据本发明第一方面实施例的一种能够实现的方式，所述数据增强处理包括以下至少一种：
15.旋转、图像局部放大以及高斯模糊。
16.根据本发明第一方面实施例的一种能够实现的方式，所述对所述训练好的裂纹图像识别网络模型进行置信度验证，包括：
17.使用所述第二数据集中的测试集对所述训练好的裂纹图像识别网络模型进行测
试，得到相应的测试结果；
18.根据所述测试结果计算网络模型识别准确率；
19.若所述网络模型识别准确率大于预置准确率阈值，输出当前裂纹图像识别网络模型。
20.本发明第二方面实施例提供一种绝缘子外套裂纹识别装置，包括：
21.数据集构建模块，用于采集现有裂纹图像构建第一数据集，以及采集绝缘子外套裂纹图像构建第二数据集；
22.第一训练模块，用于基于所述第一数据集，采用元学习装置对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型；
23.第二训练模块，用于基于所述第二数据集，采用元学习装置对所述初始裂纹图像识别网络模型进行训练，得到训练好的裂纹图像识别网络模型；
24.置信度验证模块，用于对所述训练好的裂纹图像识别网络模型进行置信度验证，将验证通过的裂纹图像识别网络模型作为目标裂纹图像识别网络模型；
25.裂纹识别模块，用于基于所述目标裂纹图像识别网络模型对待识别绝缘子外套裂纹图像进行裂纹识别。
26.根据本发明第二方面实施例的一种能够实现的方式，所述全卷积神经网络为u-net网络。
27.根据本发明第二方面实施例的一种能够实现的方式，所述数据集构建模块包括：
28.数据增强单元，用于对采集到的绝缘子外套裂纹图像数据进行数据增强处理。
29.根据本发明第二方面实施例的一种能够实现的方式，所述数据增强处理包括以下至少一种：
30.旋转、图像局部放大以及高斯模糊。
31.根据本发明第二方面实施例的一种能够实现的方式，所述置信度验证模块包括：
32.测试单元，用于使用所述第二数据集中的测试集对所述训练好的裂纹图像识别网络模型进行测试，得到相应的测试结果；
33.计算单元，用于根据所述测试结果计算网络模型识别准确率；
34.输出单元，用于在所述网络模型识别准确率大于预置准确率阈值时，输出当前裂纹图像识别网络模型。
35.本发明第三方面实施例提供一种绝缘子外套裂纹识别装置，所述装置包括：
36.存储器，用于存储指令；其中，所述指令为可实现如上任意一项实施例所述的绝缘子外套裂纹识别方法的步骤的指令；
37.处理器，用于执行所述存储器中的指令。
38.本发明第四方面实施例一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的绝缘子外套裂纹识别方法的步骤。
39.从以上技术方案可以看出，本发明具有以下优点：
40.本发明基于由现有裂纹图像构建的第一数据集，采用元学习方法对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型，并基于由绝缘子外套裂纹图像构建的第二数据集对该初始裂纹图像识别网络模型进行元学习训练，最后对训练好的裂纹图像识别网
络模型进行置信度验证，最终获得可用于检测绝缘子外套裂纹的目标裂纹图像识别网络模型；本发明实现了在小样本下条件下进行绝缘子外套裂纹缺陷的识别，其中通过对全卷积神经网络进行元学习训练，使得初始裂纹图像识别网络模型能够具备初步识别裂纹缺陷任务的学习能力，进一步基于第二数据集，采用元学习方法对初始裂纹图像识别网络模型进行再次训练，使得训练完成的裂纹图像识别网络模型具有较高的学习泛化能力，能够解决数据样本不够造成的过拟合问题，识别精度高。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
42.图1为本发明一个可选实施例提供的一种绝缘子外套裂纹识别方法的流程示意图；
43.图2为本发明一个可选实施例提供的一种绝缘子外套裂纹识别装置的结构示意图。
44.附图标记：
45.1-数据集构建模块；2-第一训练模块；3-第二训练模块；4-置信度验证模块；5-裂纹识别模块。
具体实施方式
46.本发明实施例提供一种绝缘子外套裂纹识别方法、装置及存储介质，用于解决的技术问题。
47.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
48.请参阅图1，图1为本发明实施例提供的一种绝缘子外套裂纹识别方法的流程示意图。
49.本发明提供的一种绝缘子外套裂纹识别方法，包括步骤s1至步骤s5。
50.步骤s1，采集现有裂纹图像构建第一数据集，采集绝缘子外套裂纹图像构建第二数据集。
51.本技术实施例中，所述现有裂纹图像为已有的裂纹图像，作为选优，在网络中收集大量混凝土裂纹图像来构建该第一数据集。
52.构建第一数据集时，该裂纹图像最好是包括裂纹特征信息的裂纹图像。对于没有裂纹特征标注的裂纹图像，可以利用图像标注工具，通过人为标注的方式对该裂纹图像进行裂纹特征标注。
53.在一种能够实现的方式中，所述采集绝缘子外套裂纹图像构建第二数据集，包括：
54.对采集到的绝缘子外套裂纹图像数据进行数据增强处理。
55.在实际变电站运行中很难获得大量绝缘子外套裂纹图像样本，在这种情况下使用图像数据增强技术可以解决绝缘子外套裂纹图像数据量不足的问题。目前有效的数据增强技术可通过几何变换的平移、剪切、旋转和缩放来实现，也可采用增加滤波、调整图像亮度、清晰度和锐化图像的像素变换方法来实现。
56.在数据处理的过程中，为了保留更多有效的原始信息，应尽量减少图像处理的次数。由于绝缘子外套多为圆柱形的特点，作为优选实施例，所述数据增强处理包括以下至少一种：
57.旋转、图像局部放大以及高斯模糊。
58.其中，图像旋转是指以图形上的某一点为定点旋转一定的角度，产生一幅新图形的过程。通常选用图像的中心作为旋转的原点，即旋转前和旋转后图像中各点与中心的相对位置一致。本技术实施例在对绝缘子外套裂纹图像进行旋转处理时，旋转的角度设置为15
°
、45
°
、75
°
、90
°
、120
°
、135
°
以及180
°
。
59.其中，局部放大图像部分区域的像素数目，从而达到突出部分区域特征的效果，称之为图像局部放大。在对绝缘子外套裂纹图像进行局部放大时，以圆为特征进行局部处理，并且在形变过程中遵守在圆形区域内，越靠近变形中心点的点形变越明显。使用图像局部放大对绝缘子外套裂纹图像进行处理，经过局部放大处理后的绝缘子外套裂纹图像，其裂纹开裂特征更加明显。
60.其中，高斯模糊为像素变换方法中的一种。使用高斯模糊图像处理技术增强绝缘子外套裂纹图像，将使得绝缘子外套裂纹图像在各个方向上具备相同的平滑程度，不改变原图像的边缘走向，保证特征点和边缘的特征不被高频信号污染。
61.需要说明的是，对于不含有裂纹特征标注信息的绝缘子外套裂纹图像，所述采集绝缘子外套裂纹图像构建第二数据集，还包括：
62.对数据增强处理后的绝缘子外套裂纹图像数据进行裂纹特征标注。
63.s2基于所述第一数据集，采用元学习方法对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型。
64.作为一种能够实现的方式，该全卷积神经网络为u-net网络。与普通全卷积神经网络相比，u-net网络的优势在于：可通过小样本集达到很高的正确率，适合小样本数据集应用；网路结构简单；通过下采样和上采样的过程，保证了特征图包含更多的细节特征，图像边缘更加精细。
65.向u-net网络输入绝缘子外套裂纹图像数据时，u-net网络将对绝缘子外套裂纹图像数据进行下采样和上采样。
66.具体地，例如，向u-net网络输入一张大小为700
×
700的绝缘子外套裂纹图像时，u-net网络的处理过程包括：
67.u-net网络对700
×
700的绝缘子外套裂纹图像进行下采样处理，得到大小分别为696
×
696、344
×
344、168
×
168、80
×
80和36
×
36的特征图；
68.然后u-net网络再对特征图做反卷积，得到72
×
72的特征图；
69.将72
×
72的特征图与之前的80
×
80的特征图进行合并，合并过程中把80
×
80特征图进行裁剪以适应72
×
72特征图的大小，然后对拼接后的特征图进行卷积和上采样，得到
136
×
136特征图；
70.将136
×
136特征图与之前的168
×
168特征图拼接，卷积，再上采样和拼接，一共进行四次上采样处理，最后得到一张大小为516
×
516的预测结果图。
71.s3基于所述第二数据集，采用元学习方法对所述初始裂纹图像识别网络模型进行训练，得到训练好的裂纹图像识别网络模型。
72.需要说明的是，步骤s2和步骤s3中的元学习方法是一种能让模型具备“学会学习”能力的神经网络训练方法，该方法核心思想是基于任务的学习，通过学习任务中的特征表示，从而在新任务上泛化。
73.作为一种实施方式，采用元学习方法对所述全卷积神经网络或者所述初始裂纹图像识别网络模型进行训练时，步骤包括：
74.将数据集分为训练集、验证集和测试集，且测试集的样本类别小于训练集，训练集、验证集和测试集之间的样本类别互不相交；
75.通过训练集和验证集得到具备较强泛化能力的初始网络参数；
76.在测试任务中利用随机梯度下降算法对网络模型继续多次梯度下降操作，以达到学习新任务的目的。
77.本技术上述实施例的步骤通过使用元学习方法对u-net神经网络进行训练，得到一个更有潜力、更易收敛的网络，然后在第二数据集中进行新任务学习，从而得到一个适用于绝缘子外套裂纹图像识别的网络，可以解决传统机器学习神经网络模型在小样本数据集中出现泛化能力不足、过拟合和对新任务适应性较差的问题。
78.s4对所述训练好的裂纹图像识别网络模型进行置信度验证，将验证通过的裂纹图像识别网络模型作为目标裂纹图像识别网络模型。
79.在一种能够实现的方式中，所述对所述训练好的裂纹图像识别网络模型进行置信度验证，包括：
80.使用所述第二数据集中的测试集对所述训练好的裂纹图像识别网络模型进行测试，得到相应的测试结果；
81.根据所述测试结果计算网络模型识别准确率；
82.若所述网络模型识别准确率大于预置准确率阈值，输出当前裂纹图像识别网络模型。
83.作为优选实施例，所述预置准确率阈值为95％。
84.具体进行测试步骤时，将预处理后的绝缘子图像输入u-net网络中进行预测，并得到输出的特征图；最后，根据特征图中输出的置信度，结合设定的置信度阈值判断是否存在裂纹特征；若置信度超过了设定的置信度阈值，则可以通过特征图获取裂纹的位置、长度以及宽度等特征信息，验证后得到最终模型。
85.s5基于所述目标裂纹图像识别网络模型对待识别绝缘子外套裂纹图像进行裂纹识别。
86.为验证本技术实施例绝缘子外套裂纹图像识别方法的识别效果，使用本技术的方法和不使用元学习方法的裂纹缺陷识别模型进行实验对比，结果表明本发明提出的方法能够在小规模原始数据集下实现绝缘子外套裂纹的准确识别。实验采用180张绝缘子外套图像，其中36张的绝缘子外套图像中的绝缘子外套存在裂纹缺陷。
87.结果数据为：不使用元学习方法的裂纹缺陷识别模型可识别其中的30张，成功率为83.3％；本方法可准确识别36张绝缘子外套图像，成功率达到100％。
88.本发明方法基于由现有裂纹图像构建的第一数据集，采用元学习方法对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型，并基于由绝缘子外套裂纹图像构建的第二数据集对该初始裂纹图像识别网络模型进行元学习训练，最后对训练好的裂纹图像识别网络模型进行置信度验证，最终获得可用于检测绝缘子外套裂纹的目标裂纹图像识别网络模型；本发明实现了在小样本下条件下进行绝缘子外套裂纹缺陷的识别，其中通过对全卷积神经网络进行元学习训练，使得初始裂纹图像识别网络模型能够具备初步识别裂纹缺陷任务的学习能力，进一步基于第二数据集，采用元学习方法对初始裂纹图像识别网络模型进行再次训练，使得训练完成的裂纹图像识别网络模型具有较高的学习泛化能力，能够解决数据样本不够造成的过拟合问题，识别精度高。
89.本发明第二方面实施例提供一种绝缘子外套裂纹识别装置。图2示出了本发明一个可选实施例的一种绝缘子外套裂纹识别装置的结构示意图。
90.如图2所示，本发明提供的绝缘子外套裂纹识别装置包括：
91.数据集构建模块1，用于采集现有裂纹图像构建第一数据集，以及采集绝缘子外套裂纹图像构建第二数据集；
92.第一训练模块2，用于基于所述第一数据集，采用元学习装置对全卷积神经网络进行训练，得到初始裂纹图像识别网络模型；
93.第二训练模块3，用于基于所述第二数据集，采用元学习装置对所述初始裂纹图像识别网络模型进行训练，得到训练好的裂纹图像识别网络模型；
94.置信度验证模块4，用于对所述训练好的裂纹图像识别网络模型进行置信度验证，将验证通过的裂纹图像识别网络模型作为目标裂纹图像识别网络模型；
95.裂纹识别模块5，用于基于所述目标裂纹图像识别网络模型对待识别绝缘子外套裂纹图像进行裂纹识别。
96.在一种能够实现的方式中，所述全卷积神经网络为u-net网络。
97.在一种能够实现的方式中，所述数据集构建模块包括：
98.数据增强单元，用于对采集到的绝缘子外套裂纹图像数据进行数据增强处理。
99.进一步地，所述数据集构建模块还包括：
100.标注单元，用于对数据增强处理后的绝缘子外套裂纹图像数据进行裂纹特征标注。
101.在一种能够实现的方式中，所述数据增强处理包括以下至少一种：
102.旋转、图像局部放大以及高斯模糊。
103.在一种能够实现的方式中，所述置信度验证模块包括：
104.测试单元，用于使用所述第二数据集中的测试集对所述训练好的裂纹图像识别网络模型进行测试，得到相应的测试结果；
105.计算单元，用于根据所述测试结果计算网络模型识别准确率；
106.输出单元，用于在所述网络模型识别准确率大于预置准确率阈值时，输出当前裂纹图像识别网络模型。
107.本发明上述装置基于由现有裂纹图像构建的第一数据集，采用元学习方法对全卷
积神经网络进行训练，得到初始裂纹图像识别网络模型，并基于由绝缘子外套裂纹图像构建的第二数据集对该初始裂纹图像识别网络模型进行元学习训练，最后对训练好的裂纹图像识别网络模型进行置信度验证，最终获得可用于检测绝缘子外套裂纹的目标裂纹图像识别网络模型；本发明实现了在小样本下条件下进行绝缘子外套裂纹缺陷的识别，其中通过对全卷积神经网络进行元学习训练，使得初始裂纹图像识别网络模型能够具备初步识别裂纹缺陷任务的学习能力，进一步基于第二数据集，采用元学习方法对初始裂纹图像识别网络模型进行再次训练，使得训练完成的裂纹图像识别网络模型具有较高的学习泛化能力，能够解决数据样本不够造成的过拟合问题，识别精度高。
108.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，装置和单元的具体工作过程以及对应效果，可以参考前述方法实施例中的对应过程及对应效果，在此不再赘述。
109.本发明还提供了一种绝缘子外套裂纹识别装置，所述装置包括：
110.存储器，用于存储指令；其中，所述指令为可实现如上任意一项实施例所述的绝缘子外套裂纹识别方法的步骤的指令；
111.处理器，用于执行所述存储器中的指令。
112.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的绝缘子外套裂纹识别方法的步骤。
113.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
114.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
115.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
116.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
117.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。