一种输电线路隐患识别方法及系统与流程

1.本发明涉及数据处理技术领域，特别是涉及一种输电线路隐患识别方法及系统。


背景技术：

2.基于深度学习的边缘隐患识别模型需要大量的实际隐患图片数据用于训练，然而实际中隐患图片数量有限。当隐患识别算法在小样本条件下，容易出现识别准确率差和误报率高的问题。另外，如果不能提供足够的训练数据，会造成过拟合，训练出的模型实验中难以得到应用。


技术实现要素：

3.本发明的目的是提供一种输电线路隐患识别方法及系统，以提高识别的准确率。
4.为实现上述目的，本发明提供了一种输电线路隐患识别方法，所述方法包括：
5.步骤s1：获取n张隐患样本图像；
6.步骤s2：对n张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像；m大于n；
7.步骤s3：利用m张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；
8.步骤s4：利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
9.可选地，所述对n张隐患样本图像进行扩充处理，构建隐患训练数据集，具体包括：
10.步骤s21：将每个所述隐患样本图像进行旋转；
11.步骤s22：以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离；
12.步骤s23：将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像。
13.可选地，所述将每个所述隐患样本图像进行旋转，具体包括：
14.将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度。
15.可选地，所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度。
16.可选地，所述移动一定的距离包括：
17.向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动。
18.本发明还提供一种输电线路隐患识别系统，所述系统包括：
19.获取模块，用于获取n张隐患样本图像；
20.扩充模块，用于对n张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐
患训练数据集包括m张隐患样本图像；m大于n；
21.训练模块，用于利用m张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；
22.识别模块，用于利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
23.可选地，所述扩充模块，具体包括：
24.旋转单元，用于将每个所述隐患样本图像进行旋转；
25.距离移动单元，用于以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离；
26.镜像处理单元，用于将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像。
27.可选地，所述旋转单元，具体包括：
28.将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度。
29.可选地，所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度。
30.可选地，所述移动一定的距离包括：
31.向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动。
32.根据本发明提供的具体实施例，本发明公开了以下技术效果：
33.本发明公开一种输电线路隐患识别方法及系统，方法包括：对n张隐患样本图像进行扩充处理，构建隐患训练数据集；隐患训练数据集包括m张隐患样本图像；m大于n；利用m张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型；利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。本发明公开的方案对n张隐患样本图像进行扩充处理获得m张隐患样本图像，大幅度增加了样本数量，使得隐患识别在大样本条件下进行，提高了识别效率和识别的准确性，降低了误报率。
附图说明
34.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他的附图。
35.图1为本发明输电线路隐患识别方法流程图；
36.图2为本发明输电线路隐患识别系统结构图。
具体实施方式
37.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他
实施例，都属于本发明保护的范围。
38.本发明的目的是提供一种输电线路隐患识别方法及系统，以提高识别的准确率。
39.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
40.实施例1
41.如图1所示，本发明公开一种输电线路隐患识别方法，所述方法包括：
42.步骤s1：获取n张隐患样本图像。
43.步骤s2：对n张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像；m大于n。
44.步骤s3：利用m张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型。
45.步骤s4：利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
46.下面对各个步骤进行详细论述：
47.步骤s1：获取n张隐患样本图像。本实施例中，n为100以内的数据。
48.步骤s2：对n张隐患样本图像进行扩充处理，构建隐患训练数据集，具体包括：
49.步骤s21：将每个所述隐患样本图像进行旋转。具体地，将每个所述隐患样本图像分别旋转第一角度、第二角度和第三角度；所述第一角度、所述第二角度和所述第三角度分别为90度、180度和270度，这样就能将图像数量扩充3倍；可以理解的，旋转的角度可以根据经验值设置，不限于上文所述的角度，旋转的角度数量不限于上述3个。
50.步骤s22：以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离。具体地，将旋转后的每张隐患样本图像分别向上、下、左、右、左上、左下、右上和右下移动一定距离，将样本数量再扩充6倍；可以理解的，移动方向可以根据经验值设置，移动方向不限于上述方向。
51.本实施例中，向左和向右按照图像宽度的设定比例移动；向下和向上按照图像高度的设定比例移动；向左上、左下、右上和右下先按照图像宽度的设定比例移动，再向图像高度的设定比例移动。具体地，向左和向右的移动距离可以是图像宽的20％-10％，向下和向上图像的移动距离可以是图像高的20％-10％，左上、左下、右上和右下的移动距离是先移动图像宽的20％-10％再移动图像高的20％-10％，当然，移动距离可以根据经验值设置,具体移动范围不限于此。
52.步骤s23：将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像。通过镜像处理后，使样本数量再扩充一倍。
53.本发明通过旋转使隐患样本图像的数量扩充了3倍，通过移动再次使隐患样本图像的数量扩充了6倍，通过镜像后再次使隐患样本图像的数量扩充了2倍，因此本发明总结m为n的36倍。
54.实施例2
55.如图2所示，本发明还提供一种输电线路隐患识别系统，其特征在于，所述系统包括：
56.获取模块201，用于获取n张隐患样本图像。
57.扩充模块202，用于对n张隐患样本图像进行扩充处理，构建隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像；m大于n。
58.训练模块203，用于利用m张隐患样本图像训练深度学习的边缘隐患识别模型，获得训练后的边缘隐患识别模型。
59.识别模块204，用于利用所述训练后的边缘隐患识别模型对待识别的隐患图像进行识别，获得隐患结果。
60.下面对各个模块进行详细论述：
61.作为一种可选的实施方式，本发明所述扩充模块202，具体包括：
62.旋转单元，用于将每个所述隐患样本图像进行旋转。
63.距离移动单元，用于以旋转后的每张隐患样本图像的几何中心点为原点，向预设方向移动一定的距离。
64.镜像处理单元，用于将移动后的每张隐患样本图像进行镜像处理，获得隐患训练数据集；所述隐患训练数据集包括m张隐患样本图像。
65.与实施例1相同的部分在此不再一一赘述。
66.本发明公开的方案对n张隐患样本图像进行扩充处理获得m张隐患样本图像，大幅度增加了样本数量，使得隐患识别在大样本条件下进行，防止造成过拟合现象，进而提高了识别效率和识别的准确性，降低了误报率。
67.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
68.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。