基于配网机巡影像数据的典型缺陷智能识别方法及系统与流程

1.本公开涉及但不限于配网缺陷识别技术领域，尤其涉及一种基于配网机巡影像数据的典 型缺陷智能识别方法及系统。


背景技术：

2.无人机巡检作业在国内电力系统内的运用得到了较快发展，目前，配电系统的故障诊断 大多依靠后续的人工识别。而无人机巡线数据量大，人工排查需要耗费大量的人力物力，依 靠人员的经验，不能及时、完整地发现故障，影响了配网故障诊断的效率。
3.现有技术中，已有各种传统人工智能方法与深度神经网络等算法用于配网缺陷识别，但 由于配网机巡图像拍摄环境复杂，配网缺陷识别算法尚未开发完善；在配网线路巡检过程中， 图像的获取方式多样，拍摄设备的型号、分辨率、曝光值等参数不同，拍摄的角度、距离也 有较大区别，这就导致同一种目标或缺陷在拍摄的图像中呈现多种不同的形态，也对配网缺 陷智能识别算法的研究增加了难度；此外，输电线路缺陷识别依靠线路样本数据集进行缺陷 识别，但是配网线路现有缺陷识别数据资料有限，依靠缺陷库进行缺陷故障识别很难实现。
4.鉴于此，有必要对现有的配网系统典型缺陷识别方式进行改进，确保缺陷识别的准确性， 能适应多种不同的场景，实现对配网系统的智能巡检。


技术实现要素：

5.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
6.本公开实施例提供了一种电机绝缘轴承运行状态监测方法及系统，以解决现有技术中所 存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
7.第一方面，本公开实施例提供了一种基于配网机巡影像数据的典型缺陷智能识别方法， 包括：
8.步骤s110，获取无人机采集的对配网系统进行监测的视频流，从所述视频流中提取关键 帧图像；
9.步骤s120，将所述关键帧图像输入缺陷检测模型中，以识别所述关键帧图像中是否存在 配网系统的典型缺陷；其中，所述缺陷检测模型为用于检测配网系统中缺陷位置和缺陷类型 的双通道神经网络模型，所述缺陷检测模型通过采用样本数据集对双通道神经网络模型进行 训练得到，所述样本数据集包括缺陷特征图像和正常特征图像，所述缺陷特征图像标记有配 网系统典型缺陷的缺陷位置和缺陷类型；
10.步骤s130，当识别出所述关键帧图像中存在配网系统的典型缺陷时，在所述关键帧图像 中标记典型缺陷的缺陷位置和缺陷类型，得到标记后的关键帧图像；
11.步骤s140，将标记后的关键帧图像进行显示；以供人工审核所述标记后的关键帧图像中 典型缺陷的缺陷位置和缺陷类型是否验证通过；
12.步骤s150，响应于人工审核验证通过的确认消息，将所述标记后的关键帧图像作为缺陷 特征图像存入样本数据集，以对双通道神经网络模型进行重新训练。
13.在一些实施例中，所述步骤s110包括：
14.步骤s210，控制无人机对配网系统中的每个位置进行多角度拍摄，采集得到对配网系统 巡检的视频流；
15.步骤s220，调用无人机sdk获取无人机采集得到的视频流，并从所述视频流中抓取关键 帧图像；
16.步骤s230，采用jpeg算法将关键帧图像进行压缩，编码成base64格式的编码图像后， 将编码图像通过http协议发送到处理设备；
17.步骤s240，所述处理设备接收到所述编码图像后进行解码，得到关键帧图像。
18.在一些实施例中，所述缺陷检测模型通过以下方法训练得到：
19.步骤s310，获取样本数据集，将所述样本数据集划分为训练集和验证集；
20.步骤s320，构建双通道神经网络模型；所述双通道神经网络模型包括并行的vgg16模型 和deepbit32模型、特征融合模块、全连接层以及输出层；
21.步骤s330，将所述训练集分别输入vgg16模型以及deepbit32模型，以通过vgg16模型 从样本数据集中提取得到第一图像特征，deepbit32模型从样本数据集中提取得到第二图像 特征；所述第一图像特征用于表征配网系统的缺陷特征，所述第二图像特征用于表征配网系 统的设备特征；
22.步骤s340，通过特征融合模块对第一图像特征和第二图像特征进行特征融合，得到融合 图像特征；
23.步骤s350，通过全连接层对得到的融合图像特征聚合得到向量，对聚合得到的向量进行 向量变换，得到一维图像特征；
24.步骤s360，使用误差的反向传播算法对双通道神经网络模型进行训练，使用验证集对训 练得到的一维图像特征进行验证，当验证集的误差低于设定的阈值、或验证集的误差从逐渐 减小变成逐渐增大、或达到设定的训练迭代次数时，停止对双通道神经网络模型的训练；否 则执行步骤s320；
25.步骤s370，将完成训练的双通道神经网络模型作为缺陷检测模型。
26.在一些实施例中，所述双通道神经网络模型由一个四元函数表示，其表达式为：
27.β＝(fa,fb,γ,c)；
28.其中，fa是vgg16模型的特征提取函数，fb是deepbit32模型的特征提取函数，γ是池 化函数，c是分类函数。
29.在一些实施例中，所述步骤s330包括：
30.在vgg16模型中，对于每一个卷积层l，通过一个大小为k
l
*k
l
的卷积核与前一卷积层输 出的m
l-1
个特征图进行卷积操作，并通过非线性函数对和进行变换，得到第一图像特征：
31.在deepbit32模型中，对于每一个卷积层l，通过一个大小为k
l
*k
l
的卷积核与前一卷积 层输出的m
l-1
个特征图进行卷积操作，并通过非线性函数对和进行变换，得到第二图像特征。
32.在一些实施例中，所述特征融合模块包括第一融合模块、第二融合模块和第三融
合模块， 所述步骤s340包括：
33.步骤s410，采用第一融合模块对第一图像特征和第二图像特征进行双线性特征组合，得 到表征全局图像特征的第一融合图像特征；
34.步骤s420，采用第二融合模块对第一图像特征和第二图像特征进行柔性特征组合，得到 将缺陷特征融合于设备特征的第二融合图像特征；
35.步骤s430，采用第三融合模块对第一图像特征和第二图像特征进行元素积叠加，得到的 第三融合图像特征；其中，所述第三融合图像特征用于将设备特征作为附加信息增强缺陷分 类的判别性；
36.步骤s440，将第一融合图像特征、第二融合图像特征和第三融合图像特征进行融合，得 到融合图像特征；
37.所述融合图像特征的表达式为：
38.sn＝φ(i) w2ln w3pn；
39.其中，φ(i)表示第一融合图像特征，ln表示第二融合图像特征，pn表示第三融合图像特 征，w2表示第二融合图像特征的权重，w3表示第三融合图像特征的权重。
40.第二方面，本公开实施例还提供了一种基于配网机巡影像数据的典型缺陷智能识别系统， 包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执 行所述计算机程序时实现如第一方面所述的基于配网机巡影像数据的典型缺陷智能识别方 法。
41.第三方面，本公开实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令， 所述计算机可执行指令用于执行如第一方面所述的基于配网机巡影像数据的典型缺陷智能识 别方法。
42.本公开实施例包括：获取无人机采集的对配网系统进行监测的视频流，从所述视频流中 提取关键帧图像；将所述关键帧图像输入缺陷检测模型中，以识别所述关键帧图像中是否存 在配网系统的典型缺陷；其中，所述缺陷检测模型为用于检测配网系统中缺陷位置和缺陷类 型的双通道神经网络模型，所述缺陷检测模型通过采用样本数据集对双通道神经网络模型进 行训练得到，所述样本数据集包括缺陷特征图像和正常特征图像，所述缺陷特征图像标记有 配网系统典型缺陷的缺陷位置和缺陷类型；当识别出所述关键帧图像中存在配网系统的典型 缺陷时，在所述关键帧图像中标记典型缺陷的缺陷位置和缺陷类型，得到标记后的关键帧图 像；将标记后的关键帧图像进行显示；以供人工审核所述标记后的关键帧图像中典型缺陷的 缺陷位置和缺陷类型是否验证通过；响应于人工审核验证通过的确认消息，将所述标记后的 关键帧图像作为缺陷特征图像存入样本数据集，以对双通道神经网络模型进行重新训练。
43.本公开提供的实施例中，通过采用双通道神经网络模型进行训练，得到的缺陷检测模型 能够更加准确的，结合人工审核验证，能够在基于计算机快速识别的前提下，得出初步筛选 结构，同时发挥传统人工识别的优势，确保缺陷识别的准确性。通过将实时识别的缺陷特征 图像作为样本数据集对进行训练，能够实时更新得到与当前配网系统更适配的缺陷检测模型， 生成的融合图像特征更加灵活准确，适应多种不同的场景，从而实现对配网系统的智能巡检。
44.本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变
得显而 易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书 以及附图中所特别指出的结构来实现和获得。
附图说明
45.附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的 实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
46.图1是本公开一个实施例提供的基于配网机巡影像数据的典型缺陷智能识别方法的流程 图；
47.图2是本公开一个实施例中双通道神经网络模型的结构图；
48.图3是本公开一个实施例提供的基于配网机巡影像数据的典型缺陷智能识别系统的结构 图。
具体实施方式
49.为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公 开进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本公开，并不用于 限定本公开。
50.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序， 但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述 的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的 对象，而不必用于描述特定的顺序或先后次序。
51.如图1所示，图1是本公开一个实施例提供的一种基于配网机巡影像数据的典型缺陷智 能识别方法的流程图，在该方法中，包括但不限于有以下步骤：
52.步骤s110，获取无人机采集的对配网系统进行监测的视频流，从所述视频流中提取关键 帧图像；
53.步骤s120，将所述关键帧图像输入缺陷检测模型中，以识别所述关键帧图像中是否存在 配网系统的典型缺陷；其中，所述缺陷检测模型为用于检测配网系统中缺陷位置和缺陷类型 的双通道神经网络模型，所述缺陷检测模型通过采用样本数据集对双通道神经网络模型进行 训练得到，所述样本数据集包括缺陷特征图像和正常特征图像，所述缺陷特征图像标记有配 网系统典型缺陷的缺陷位置和缺陷类型；
54.步骤s130，当识别出所述关键帧图像中存在配网系统的典型缺陷时，在所述关键帧图像 中标记典型缺陷的缺陷位置和缺陷类型，得到标记后的关键帧图像；
55.步骤s140，将标记后的关键帧图像进行显示；以供人工审核所述标记后的关键帧图像中 典型缺陷的缺陷位置和缺陷类型是否验证通过；
56.步骤s150，响应于人工审核验证通过的确认消息，将所述标记后的关键帧图像作为缺陷 特征图像存入样本数据集，以对双通道神经网络模型进行重新训练。
57.在一些实施例中，通过无人机对配网系统进行监测，无人机监测得到视频流，并将其发 送给处理设备(例如后台处理器)，所述处理设备从所述视频流中提取关键帧图像，调用所 述缺陷检测模型，检测出配网系统中存在的具体缺陷位置和缺陷类型，发出预警信息，并将 标记有缺陷位置和缺陷类型的关键帧图像通过显示器进行显示，在人工审核缺陷
检测模型识 别的结果无误后可一键生成缺陷报表，将所述关键帧图像作为缺陷特征图像输入样本数据集 以供下次训练缺陷检测模型时使用。需要说明的是，标记有缺陷位置和缺陷类型的关键帧图 像可通过手机app和电脑进行查阅和管理，本公开对此不作限制。
58.另外，在一实施例中，所述步骤s110包括但不限于有以下步骤：
59.步骤s210，控制无人机对配网系统中的每个位置进行多角度拍摄，采集得到对配网系统 巡检的视频流；
60.步骤s220，调用无人机sdk获取无人机采集得到的视频流，并从所述视频流中抓取关键 帧图像；
61.步骤s230，采用jpeg算法将关键帧图像进行压缩，编码成base64格式的编码图像后， 将编码图像通过http协议发送到处理设备；
62.步骤s240，所述处理设备接收到所述编码图像后进行解码，得到关键帧图像。
63.本公开提供的实施例中，针对配网无人机巡线手动巡线和无人机自主巡检两种巡检作业 方式，通过调用无人机sdk获取视频流并从中抓取关键帧图像；本实施例中，需要保证对应 的拍摄规范要求，对同一位置采用多个角度的拍摄，拍摄过程中注意相机对焦是否清晰；通 过规范缺陷样本图片，便于后期图像数据的识别处理。
64.另外，参考图2，在一实施例中，所述缺陷检测模型通过以下方法训练得到：
65.步骤s310，获取样本数据集，将所述样本数据集划分为训练集和验证集；
66.需要说明的是，首次训练缺陷检测模型的样本数据集中的缺陷特征图像和正常特征图像 为预先采集的图像；具体地，收集配网系统中具有各种典型缺陷的特征图像和正常特征图像， 构成用于配网系统智能缺陷检测的样本数据集；接着，借助标记工具，手动通过缺陷标记软 件对具有各种典型缺陷的特征图像进行缺陷位置和缺陷类型的标注，生成缺陷特征图像。然 后，基于图像数据增强算法扩展缺陷特征图像的样本数量，增强后的缺陷特征图像会根据增 强算法进行对应的改动而无需再次进行手动标注。当无人机巡检过程中，通过前期训练的缺 陷检测模型识别出缺陷特征图像后，将该缺陷特征图像作为新的样本数据存入样本数据集， 以对双通道神经网络模型进行重新训练，得到更新后的缺陷检测模型。
67.步骤s320，构建双通道神经网络模型；所述双通道神经网络模型包括并行的vgg16模型 和deepbit32模型、特征融合模块、全连接层以及输出层；
68.在一实施例中，所述双通道神经网络模型由一个四元函数表示，其表达式如下所示：
69.β＝(fa,fb,γ,c)；
70.其中，fa是vgg16模型的特征提取函数，fb是deepbit32模型的特征提取函数，γ是池 化函数，c是分类函数；
71.本公开提供的实施例中，使用特征区分度强的vgg16模型以及对公共数据集图像具有一 定旋转不变性的deepbit32模型作为基础模型构建双通道神经网络模型。vgg16模型包含了 13个卷积层与3个全连接层，卷积层采用小尺寸卷积核，尺寸为3*3，卷积层之间是5个最 大池化层，最后一层输出维度为1000；deepbit32模型包含了13个卷积层与3个全连接层， 基本结构与vgg16模型相似，最后一层输出维度为32。通过并行的vgg16模型以及deepbit32 模型共同作用完成样本数据集中样本数据的特征提取。
72.步骤s330，将所述训练集分别输入vgg16模型以及deepbit32模型，以通过vgg16模型 从样本数据集中提取得到第一图像特征，deepbit32模型从样本数据集中提取得到第二图像 特征；所述第一图像特征用于表征配网系统的缺陷特征，所述第二图像特征用于表征配网系 统的设备特征；
73.步骤s340，通过特征融合模块对第一图像特征和第二图像特征进行特征融合，得到融合 图像特征；
74.步骤s350，通过全连接层对得到的融合图像特征聚合得到向量，对聚合得到的向量进行 向量变换，得到一维图像特征；
75.具体地，为了得到固定维度的特征表达，将得到的融合图像特征聚合得到向量x
l
，对向 量x
l
进行向量变换，得到一维图像特征；
76.所述一维图像特征的计算公式为：
[0077][0078]
其中，r
1*d
表示1*d维空间，xi表示第i个向量，x
l
＝[x1,
…
,xi,
…
,xd]∈r
1*d
，d＝h
×
w。
[0079]
采用深度特征图抽取方法得到训练集在最后一个卷积层的激活，然后利用k-means聚类 方法生成码本，由于最后一层卷积层得到的是14*14*512大小的张量，因此聚合得到的描述 子为196维，而最终的特征表达为k*196的一维向量。
[0080]
步骤s360，使用误差的反向传播算法对双通道神经网络模型进行训练，使用验证集对训 练得到的一维图像特征进行验证，当验证集的误差低于设定的阈值、或验证集的误差从逐渐 减小变成逐渐增大、或达到设定的训练迭代次数时，停止对双通道神经网络模型的训练；否 则执行步骤s320；
[0081]
在一些实施例中，由于验证集的误差从逐渐减小变成逐渐增大，经过多次迭代，可得出 误差的最小值所在的区间范围，由此确定一个设定的阈值；在一实施例中，迭代次数设置在 300次以内。
[0082]
步骤s370，将完成训练的双通道神经网络模型作为缺陷检测模型。
[0083]
在一实施例中，所述步骤s330包括但不限于有以下步骤：
[0084]
在vgg16模型中，对于每一个卷积层l，通过一个大小为k
l
*k
l
的卷积核与前一卷积层输 出的m
l-1
个特征图进行卷积操作，并通过非线性函数对和进行变换，得到第一图像特征：
[0085]
在deepbit32模型中，对于每一个卷积层l，通过一个大小为k
l
*k
l
的卷积核与前一卷积 层输出的m
l-1
个特征图进行卷积操作，并通过非线性函数对和进行变换，得到第二图像特征。
[0086]
在一实施例中，第j个特征图的表达式为：
[0087][0088]
其中,为第j个特征图，m
i-1
为卷积层输出的特征图总数，为第j-1个特征图，表示第i层的卷积核大小，表示第i层卷积核的偏差，wi是大小为k
l
*k
l
的卷积核，θ(x) 是relu函数。
[0089]
需要说明的是，当自变量大于零时，relu函数输出的为自变量本身，当自变量小于等于 零时，relu函数的输出为零。
[0090]
对于输入大小为h
×
w的图像，提取到的第i层的特征图是大小为h
×w×
d的三位张量， 由若干特征图组成，第i层的特征图的表达式为：
[0091]
f＝{f1,f2,
…
,fi}(i＝1,
…
,d)；
[0092]
其中，f1表示大小为h
×
w特征图。
[0093]
在一实施例中，所述特征融合模块包括第一融合模块、第二融合模块和第三融合模块， 所述步骤s340包括但不限于有以下步骤：
[0094]
步骤s410，采用第一融合模块对第一图像特征和第二图像特征进行双线性特征组合，得 到表征全局图像特征的第一融合图像特征；
[0095]
在一实施例中，利用矩阵外积方法，将第一图像特征和第二图像特征中每一个对应位置 进行双线性特征组合，得到第一融合图像特征；
[0096]
第一融合图像特征的计算公式为：
[0097][0098]
bilinear＝(l,i,fa,fb)＝fa(l,i)
t
fb(l,i)；
[0099]
其中，γ为池化函数，i为输入vgg16模型和deepbit32模型的图像，l为第一图像特征 和第二图像特征的对应位置；fa为第一图像特征，fb为第二图像特征，φ(i)为第一融合图像 特征。
[0100]
本实施例中，利用矩阵外积方法，将每一个对应位置的图像特征进行特征组合，将位置l 处的第一图像特征fa和第二图像特征fb进行双线性特征组合的表达式为：
[0101]
bilinear＝(l,i,fa,fb)＝fa(l,i)
t
fb(l,i)；
[0102]
其中，γ为池化函数；
[0103]
池化函数γ的作用为聚集图像中所有位置特征的双线性组合，以获得全局图像，即第一 融合图像特征φ(i)。
[0104][0105]
其中，fa为第一图像特征，fb为第二图像特征，φ(i)为第一融合图像特征。
[0106]
步骤s420，采用第二融合模块对第一图像特征和第二图像特征进行柔性特征组合，得到 将缺陷特征融合于设备特征的第二融合图像特征；
[0107]
在一实施例中，将vgg16模型输出的第一图像特征f和deepbit32模型输出的第二图像 特征c进行融合，输出第二融合图像特征；
[0108]
其中，第二融合图像特征的表达式为：
[0109]
ln＝β(fn(in)),cn(i0))；
[0110]
其中，n是vgg16模型和deepbit32模型中卷积层对应的层级序号，ln表示第二融合图 像特征；i0代表输入vgg16模型中的图像，in代表输入deepbit32模型的图像。cn(.)和fn(.) 分别表示vgg16模型中第n个卷积层输出的像特征和deepbit32网络中第n个卷积层输出的 像特征。
[0111]
通过将并行的vgg16模型和deepbit32模型连接起来，对第一图像特征和第二图像
特征 进行柔性特征融合。可以使vgg16模型提取的缺陷特征能够更好地融合于deepbit32模型提 取的设备特征。
[0112]
步骤s430，采用第三融合模块对第一图像特征和第二图像特征进行元素积叠加，得到的 第三融合图像特征；其中，所述第三融合图像特征用于将设备特征作为附加信息增强缺陷分 类的判别性；
[0113]
所述第三融合图像特征的计算公式为：
[0114]
pn＝w*(wk*ct(fn) cn)；
[0115]
其中，ct表示通道维数的变化，wk表示1
×
1的卷积层，w表示3
×
3的卷积层和bn 层，fn表示第一图像特征，cn表示第一图像特征和第二图像特征。
[0116]
在一实施例中，将vgg16模型提取的特征fn与deepbit32网络提取的特征cn变换到相同 的空间域中并进行元素积叠加的运算，元素积叠加的融合方式是将vgg16模型提取的特征fn与deepbit32网络提取的特征cn变换到相同的空间域中并进行元素积叠加的运算，其目的是 将deepbit32模型提取的设备特征视为额外的附加信息去增强缺陷分类的判别性特征。该融 合方式需要将两种特征的通道数调整为相同的维数。
[0117]
步骤s440，将第一融合图像特征、第二融合图像特征和第三融合图像特征进行融合，得 到融合图像特征；
[0118]
融合图像特征的表达式为：
[0119]
sn＝φ(i) w2ln w3pn；
[0120]
其中，φ(i)表示第一融合图像特征，ln表示第二融合图像特征，pn表示第三融合图像特 征，w2表示第二融合图像特征的权重，w3表示第三融合图像特征的权重。
[0121]
本公开提供的实施例中的特征融合模块位于并行的vgg16模型和deepbit32模型与全连 接层之间。通过保持全局图像不变，自适应选择第二融合图像特征和第三融合图像特征的比 重，根据实际情况调节缺陷特征和设备特征的对比，生成的融合图像特征更加灵活准确，适 应多种不同的场景。结合图1对应的实施例，通过将实时识别的缺陷特征图像作为样本数据 集对进行训练，能够实时更新得到与当前配网系统更适配的缺陷检测模型，实现对配网系统 的智能巡检。
[0122]
本公开实施例中，依据配网典型缺陷在图像分割、特征提取、缺陷识别等不同处理阶段 的差异化特点，针对配网导线断股散股烧蚀、绝缘子雷击烧蚀和绝缘子破裂进行融合识别， 发挥传统方法和深度神经网络方法在图像识别各阶段的优势，提高对不同缺陷类型的识别准 确率。
[0123]
为验证本公开实施例，选用caffe开源框架进行训练，利用工作站进行平台搭建，通过 英伟达cuda通用计算平台实现并行计算，并利用英伟达cudnn库对并行计算进行加速，深度 学习算法在cpu终端实现时，编程语言为c 。
[0124]
样本数据集经过采集后输入处理设备进行配准，处理设备得到数据后对数据进行融合， 并向gpu发送控制指令，同时将融合后的数据输入至缺陷检测模型，gpu接收到控制指令后， 利用编译器将控制指令调整为融合后数据的控制指令，与处理设备融合后的数据共同输入缺 陷检测模型进行识别。
[0125]
本公开提供的实施例中，第一图像特征和第二图像特征构成双线性向量，通过输出层的 分类函数对双线性向量进行处理，得到分类后的图像。
[0126]
将两个模型提取出的图像特征进行双线性组合构成双线性向量，最后通过输出层的分类 函数对图像进行分类。在这种网络结构中，vgg16模型以及deepbit32模型相互协调作用， 实现了图像识别中的缺陷特征提取和设备特征提取任务。
[0127]
双通道神经网络模型充分应用了图像的二阶统计信息,利用平移不变性实现了局部特征 间组合交互关系的建模，同时网络简化了梯度计算，使得端到端模型更加容易训练。
[0128]
在一些实施例中，配电线路绝缘子缺陷图像共计35张，导线缺陷图像共50张，将所述 样本数据集划分为训练集和测试集，训练集和测试集的比例为1:4，所有图片尺寸设为 600*400、256*256和224*224三种类型。
[0129]
本公开提供的实施例中，图像数据增强算法包括基于传统方法和基于深度学习方法，研 究数据集扩充方法，主要研究多种传统图像处理方法以及生成式对抗网络进行数据增强的方 法。一方面通过传统方法中若干图像变换算法的组合(如镜像、旋转、缩放、裁剪、噪声等) 进行变换；另一方面通过深度神经网络基于有监督的信息生成新样本以扩充样本库。
[0130]
另外，参照图3，本公开的一个实施例还提供了一种基于配网机巡影像数据的典型缺陷 智能识别系统，该系统包括：存储器11、处理器12及存储在存储器11上并可在处理器12 上运行的计算机程序。
[0131]
处理器12和存储器11可以通过总线或者其他方式连接。
[0132]
实现上述实施例的基于配网机巡影像数据的典型缺陷智能识别方法所需的非暂态软件程 序以及指令存储在存储器11中，当被处理器12执行时，执行上述实施例中的基于配网机巡 影像数据的典型缺陷智能识别方法。
[0133]
此外，本公开的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质 存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述 系统实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于配网机巡影像 数据的典型缺陷智能识别方法。
[0134]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实 施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理 器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实 施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介 质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普 通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据 结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可 移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、 数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以 用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员 公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传 输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0135]
以上是对本公开的较佳实施进行了具体说明，但本公开并不局限于上述实施方
式，熟悉 本领域的技术人员在不违背本公开精神的前提下还可作出种种的等同变形或替换，这些等同 的变形或替换均包含在本公开权利要求所限定的范围内。