电力设备图像分类方法、装置、电力设备及存储介质与流程

本发明实施例涉及电气设备运维技术领域，尤其涉及一种电力设备图像分类方法、装置、电力设备及存储介质。

背景技术：

近些年，数码摄像和机器人技术不断发展，新建的智能变电站和一些改造的无人值守变电站通过视频监控或者是机器人搭载照相机等手段实现高效地变电站巡检，把现场的图像数据传输到监控中心进行人工分析和识别。

现有的图像和视频数据存量大，增长速度快，能够发现的有用信息比较少；人工判断存在主观性、模糊性、不完全、效率低下等问题。巡视中变电站设备出现的具体缺陷类型多，巡视产生的需要人工识别分析的图像数量大，仅靠人工进行图片缺陷识别和分类，存在效率低的问题，并且面对大量的图片，长时间工作后人员眼疲劳导致判断准确度下降。

技术实现要素：

本发明实施例提供一种电力设备图像分类方法、装置、电力设备及存储介质，对批量的巡检图片进行自动缺陷识别，以对巡检图片进行批量分类。

第一方面，本发明实施例提供了一种电力设备图像分类方法，包括：

基于样本电力设备图片构建训练集；

使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；

基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。

可选的，在所述基于样本电力设备图片构建训练集之后，所述方法还包括：

对所述样本电力设备图片进行缺陷类型标注，以为所述样本图像分配类别标签，其中，所述类别标签用于作为对电力设备图片进行分类的依据。

可选的，在所述使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型之后，所述方法还包括：

使用所述图片缺陷识别模型对预设的测试集中的测试图片进行分类预测，得到预测类别标签集，其中，所述测试集中的每个测试图片均对应匹配一实际类别标签；

基于所述预测类别标签集中的各预测类别标签与对应所述实际类别标签的比较结果，确定所述图片缺陷识别模型的分类准确率；

若所述图片缺陷识别模型的分类准确率小于预设的准确率阈值，则增加所述训练集中所述样本电力图片的数量和/或增加所述训练集中所述样本电力图片的训练次数，重新训练所述图片缺陷识别模型，并在所述图片缺陷识别模型的分类准确率大于或等于所述准确率阈值时，固定所述图片缺陷识别模型的参数，将参数更新后的所述图片缺陷识别模型确定为目标图片缺陷识别模型；

相应地，所述基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型，包括：

基于所述目标图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。

可选的，所述缺陷类型包括如下至少一种：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油类和外观不整洁类。

可选的，所述预设的卷积神经网络模型为vgg16模型。

可选的，所述基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型，包括：

所述图片缺陷识别模型中的卷积层提取所述待检测图片的预设数量的特征块；

所述图片缺陷识别模型中的池化层从所述预设数量的特征块中选择出目标特征块；

所述图片缺陷识别模型中的全连接层对所述特征块进行处理，得到目标特征区域；

所述图片缺陷识别模型中的输出层输出所述特征区域的预测结果，以确定出所述待检测图片的缺陷类型。

第二方面，本发明实施例还提供了一种电力设备图像分类装置，包括：

训练集构建模块，用于基于样本电力设备图片构建训练集；

图片缺陷识别模型确定模块，用于使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；

图片缺陷类型确定模块，用于基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型；

分类模块，用于基于所述缺陷类型对所述待检测图片进行分类。

可选的，该电力设备图像分类装置还包括：

类别标签分配模块，用于对所述样本电力设备图片进行缺陷类型标注，以为所述样本图像分配类别标签。

第三方面，本发明实施例还提供了一种电力设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的电力设备图像分类方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的电力设备图像分类方法。

本发明实施例所提供的电力设备图像分类方法，通过构建训练集对预设的神经卷积网络模型进行训练，得到图片缺陷识别模型，由图像缺陷识别模型对待检测图片进行自动识别，以确定待检测图片是否存在缺陷，并在确定待检测图片存在缺陷时自动定位出对应图片的缺陷类型，从而解决了现有技术中通过人力进行图片分类效率低和容易出错的问题，能够对电力系统中巡检产生的批量图片进行自动识别和分类，为运维人员对电力设备的故障识别提供可靠依据。

附图说明

图1为本发明实施例提供的一种电力设备图像分类方法的流程图；

图2为本发明实施例提供的vgg16模型的整体架构图；

图3为本发明实施例提供的另一种电力设备图像分类方法的流程图；

图4为本发明实施例提供的一种电力设备图像分类装置的结构框图；

图5为本发明实施例提供的一种电力设备的结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1为本发明实施例提供的一种电力设备图像分类方法的流程图，该方法可适用于对电力系统中巡检产生的图片进行自动识别，并基于自动识别结果对图片进行自动分类的情况。从而运维人员可基于图片分类结果及时获取到存在缺陷的设备。该方法可以由电力设备来执行，电力设备例如可以为配置有图像分类算法的计算机设备等。参考图1，该电力设备图像分类方法包括如下步骤：

s110、基于样本电力设备图片构建训练集。

其中，样本电力设备图片为包括有缺陷图片和无缺陷的正常图片的电力设备图片集，其中的缺陷图片包括了各种缺陷类型。

在一实施例中，样本电力设备图片包括如下缺陷类型的图片：部件破损类图片，呼吸器缺陷类图片，状态指示缺陷类图片，异物类图片，渗漏油类图片和外观不整洁类图片。

例如，样本电力设备图片可以包括8000张图片和8000张图片对应的xml文件，其中，电流互感器二次接线盒锈蚀缺陷类样本，变压器渗油缺陷类样本，变压器套管污秽缺陷类样本和变压器脱漆缺陷类样本各有2000张图片和2000个xml文件。

s120、使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型。

其中，训练集中的各样本电力设备图片包含了各种类型的缺陷图片，因而由训练集对卷积神经网络进行训练，可以得到图片缺陷特征与图片类型的对应关系的模型，即为图片缺陷识别模型。

在一个实施例中，卷积神经网络模型为vgg16模型。vgg16模型的卷积核尺寸使用3*3，避免了大卷积核带来的参数量爆炸，大量3*3的卷积足以捕捉到横向、纵向和斜向的像素变化，降低空间维度，增加深度，可以有效提取输入特征，所以在vgg16中普遍使用3*3的卷积取代5*5和7*7，vgg16使用了3个全连接层，最终接一个softmax输出层，由softmax输出层输出对于图片的分类结果。

s130、基于图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。

其中，将待检测图片输入至图片缺陷识别模型，因为图片缺陷识别模型建立了图片缺陷类型与图片中特征区域的对应关系，因而图片缺陷识别模型通过对待检测图片进行识别，可以确定出待检测图片的缺陷类型，从而充分巡检设备所生成的巡检图片，实现对电力设备进行故障或问题诊断的同时，进一步实现对电力设备的缺陷类型进行准确定位。

需要说明的是，当识别结果表明该图片没有缺陷时，图片缺陷识别模型也会为该图片分配预设的类别标签，以表征该图片是完好图片。

可选的，在使用vgg16模型建立图片缺陷识别模型的基础上，通过图片缺陷识别模型对待检测图片进行识别的过程可优化如下：

图片缺陷识别模型中的卷积层提取待检测图片的预设数量的特征块；

图片缺陷识别模型中的池化层从预设数量的特征块中选择出目标特征块；

图片缺陷识别模型中的全连接层对目标特征块进行处理，得到目标特征区域；

图片缺陷识别模型中的输出层输出特征区域的预测结果，以确定出待检测图片的缺陷类型。

具体地，图2为本发明实施例提供的vgg16模型的整体架构图，由图2可以看出，vgg16模型包括卷积层，池化层，全连接层和输出层。卷积层和输入层有规律的交错分布，卷积层进行特征提取，池化层进行特征选择，通常卷积层的多个窗口对输入层做卷积操作，池化层用一个窗口对卷积层做池化操作。全连接层可以对具有类别区分性的局部信息进行整合，把所有局部特征整合成全局特征。输出层输出分类结果。

具体到本实施例中，因为缺陷识别模型由vgg16模型训练而来，因而图片缺陷识别模型与vgg16模型具有相同的网络结构。

具体而言，图片缺陷识别模型中的卷积层由多个特征面组成，每个特征面由多个特征单元组成，每一个特征单元通过卷积核与上一层特征的局部区域相连。卷积层中的每一个特征单元对应上一层输入网络中3*3或者5*5的小块，对上一层局部小块的特征进行作用得到更抽象的特征。卷积核是一个权值矩阵，每个卷积核对应一组固定的权重，不同的卷积核提取不同的特征如轮廓、纹理、颜色深浅等，因而提取图像的不同特征需要多个不同的卷积核作用。

可见，卷积层所提取的各个特征块均为电力设备的部分特征，这些特征是分散的，因而需要对这些特征进行整合，以得到电力设备完整的图像特征。

在对各个特征块进行整合处理前，图片缺陷识别模型中的池化层对特征块进行处理，以降低数据维度，减少计算量。图片缺陷识别模型中的池化层(poolinglayer)不会改变图片缺陷识别模型的深度，但是可以缩小输入矩阵的大小，从而减少图片缺陷识别模型的参数个数。

经过几轮的卷积和池化作用后，图片的浅层特征信息被抽象成信息含量更高的特征，卷积和池化操作是图像特征提取的过程，经过若干层的卷积，池化操作后，将得到的特征图依次按行展开，连接成向量，输入全连接层，全连接层可以对具有类别区分性的局部信息进行整合，把所有局部特征整合成全局特征，最后通过输出层输出对该待检测图片的分类结果。

本发明实施例所提供的电力设备图像分类方法，通过构建训练集对预设的神经卷积网络模型进行训练，得到图片缺陷识别模型，由图像缺陷识别模型对待检测图片进行自动识别，以确定待检测图片是否存在缺陷，并在确定待检测图片存在缺陷时自动定位出对应图片的缺陷类型，从而解决了现有技术中通过人力进行图片分类效率低和容易出错的问题，能够对电力系统中巡检产生的批量图片进行自动识别和分类，为运维人员对电力设备的故障识别提供可靠依据。

可选的，图3为本发明实施例提供的另一种电力设备图像分类方法的流程图，本实施例在上述实施例的基础上进行了优化，参考图3，该方法具体包括：

s310、基于样本电力设备图片构建训练集。

s320、对样本电力设备图片进行缺陷类型标注，以为样本图像分配类别标签。

其中，类别标签用于作为对电力设备图片进行分类的依据。

对于电力系统巡视中出现的各种可视的设备缺陷，可以根据缺陷的性质分为以下几个大类：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油类和外观不整洁类。每个大类进一步细分，具体的缺陷分类见表1。针对每种缺陷小类进一步对设备缺陷设置类别标签名，类别标签名制定的原则例如可以是以缺陷大类的关键词首字母作为前缀，后面接上具体的缺陷名称首字母，具体的类别标签可参见表1。

表1电力设备缺陷分类及标签分配

本实施例通过为样本电力设备图片分配类别标签，建立图片特征与类别标签的对应关系，从而基于样本电力设备图片对神经卷积网络进行训练而得到的图片缺陷识别模型具备了图片特征和类别标签的对应关系，由此图片缺陷识别模型可基于对待检测图片进行特征提取而实现对待检测图片进行自动分类。

s330、使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型。

s340、使用图片缺陷识别模型对预设的测试集中的测试图片进行分类预测，得到预测类别标签集。

其中，测试集中的每个测试图片均对应匹配一实际类别标签。

图片缺陷识别模型对测试图片进行分类预测后，会为各个测试图片分配预测类别标签，从而测试集中的全部测试图片的预测类别标签组成预测类别标签集。该预测类别标签用于与测试图片的实际列表标签进行比对，以检测图片缺陷识别模型的可靠性。

s350、基于预测类别标签集中的各预测类别标签与对应实际类别标签的比较结果，确定图片缺陷识别模型的分类准确率。

其中，图片缺陷识别模型对测试集中的每个测试图片预测一个类别标签，该预测的类别标签对应于一个图片缺陷类型，通过将该预测得到的类别标签与测试图片的实际类别标签进行比较，以确定二者是否一致。进一步统计各个预测类别与对应实际类别的比较结果，来确定图片缺陷识别模型对于测试图片的预测的准确率。

s360、若图片缺陷识别模型的分类准确率小于预设的准确率阈值，则增加训练集中样本电力图片的数量和/或增加训练集中样本电力图片的训练次数，重新训练图片缺陷识别模型，并在图片缺陷识别模型的分类准确率大于或等于准确率阈值时，固定图片缺陷识别模型的参数，将参数更新后的图片缺陷识别模型确定为目标图片缺陷识别模型。

其中，若是准确率较低，则通过增加训练集中样本电力图片的数量和/或增加训练集中样本电力图片的训练次数来提高图片缺陷识别模型的分类准确率。

下面以均衡训练样本和非均衡训练样本为例对图片缺陷识别模型进行训练和参数调整过程作进一步介绍。

在一个实施例中，变电站设备缺陷分类均衡训练样本见表2。均衡训练样本下总的图片数量为11000张，其中训练样本10000张，检测样本1000张，训练时设置5个图片类别，建立起类别号与缺陷类型的对应关系，类别0对应变压器渗油缺陷，类别1对应变压器套管污秽缺陷，类别2对应变压器脱漆缺陷，类别3对应电流互感器二次接线盒锈蚀缺陷，类别4对应正常情况下的图片。另外变压器渗油，电流互感器二次接线盒锈蚀，变压器套管污秽，变压器脱漆四种缺陷以及正常运行情况下的图片各200张组成1000张的检测样本，训练样本数与检测样本数的比例为10:1。

表2变电站设备缺陷分类均衡训练样本

将1000张检测图片输入训练好的模型进行分类，得到准确分类的图片数目为704张，准确率为70.4％，通过查看测试图片类别和对应的分类输出类别的excel表格，发现247张检测出错的有83张是将电流互感器二次接线盒锈蚀缺陷判断为正常，31张是将变压器套管污秽缺陷判断为正常，45张是将变压器渗油缺陷判断为正常，29张是将变压器脱漆判断为正常。经分析，分类出错集中在同种设备的正常图片和缺陷图片上，为了进一步提高分类正确率，对训练样本中同种设备的正常图片和缺陷图片数量进行了调整，增加了非均衡样本下的变电站巡视图片分类。

可选的，为了进一步提高变电站巡视图片分类的正确率，制作了非均衡样本下的变电站巡视图片数据集，变电站设备缺陷分类非均衡训练样本见表3，训练样本包括变压器渗油缺陷图片2000张，变压器套管污秽缺陷图片2000张，电流互感器二次接线盒锈蚀缺陷图片2000张，变压器脱漆缺陷图片2000张，正常图片4000张，4000张正常图片包括没有渗油的变压器1000张，电流互感器二次接线盒没有锈蚀的图片1000张，变压器套管没有污秽的图片1000张，变压器未脱漆图片1000张，对比均衡样本，每种缺陷所对应的正常图片训练样本增加了500张。

表3变电站设备缺陷分类非均衡训练样本

非均衡训练样本图片分类时，训练参数设置与均衡训练样本图片分类时的参数设置相同，将1000张测试图片输入模型进行检测，得到准确检测的图片数目为863张，分类准确率为86.3％。可见，通过设置非均衡训练样本，增加训练中正常类的图像数量可有效提高分类正确率。为了进一步研究训练次数对分类正确率的影响，分别对均衡训练样本和非均衡训练样本在训练次数为2000，4000，6000，8000和10000时的正确率进行统计，不同训练次数下的训练时间和分类正确率见表4。

表4不同训练次数下的检测样本分类正确率

由上述分析可知，当训练样本固定时，训练批次倍增，训练时间也倍增，随着每张图像样本参与训练的次数增多，分类正确率逐渐上升。训练样本增大后，随着每张图像样本参与训练的次数增多，分类正确率逐渐上升，并且大训练样本中即使每张图像的参与训练次数小于小样本中每张图像的参与训练次数，也会存在分类正确率较高的情况，由此说明增大变电站设备缺陷训练样本和增加缺陷样本训练次数都可以有效提高分类正确率，通过这两种手段最终使得变电站设备缺陷分类正确率达到99.7％。

s370、基于目标图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。

其中，目标图片缺陷识别模型即为上述经过测试集验证合格的图片缺陷识别模型。

本实施例通过对图片缺陷识别模型的训练过程进行优化，基于图片缺陷识别模型对测试图片的预测类别和测试图片的实际类别进行比对，以确定预测类别和实际类别是否一致，通过对全部预测类别与对应实际类别的比较结果进行统计，确定图片缺陷识别模型的准确率。当图片缺陷识别模型的准确率不符合要求时，通过使用均衡样本和非均衡样本的训练集两种情况分别对图片缺陷识别模型进行重新训练，以调整图片缺陷识别模型的参数，提高图片缺陷识别模型的分类准确率。从而基于优化后的目标图片缺陷识别模型对待检测图片进行分类，进一步提高了对于待检测图片的分类准确率。本实施例基于深度视觉对变电站缺陷图像进行预处理，分类和检测，既可以判断巡检中针对变电站特定设备拍摄的图片是否存在故障，还可以对变电设备缺陷进行置信度比较高的定位，提高了变电站智能化巡视水平，对于及时有效地发现变电站设备缺陷，保障设备安全稳定运行具有很好的工程应用价值。

可选的，图4为本发明实施例提供的一种电力设备图像分类装置的结构框图，该电力设备图像分类装置包括：训练集构建模块410、图片缺陷识别模型确定模块420、图片缺陷类型确定模块430和分类模块440，其中，

训练集构建模块410，用于基于样本电力设备图片构建训练集；

图片缺陷识别模型确定模块420，用于使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；

图片缺陷类型确定模块430，用于基于图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型；

分类模块440，用于基于缺陷类型对待检测图片进行分类。

可选的，在上述技术方案的基础上，该电力设备图像分类装置还包括：

类别标签分配模块，用于对样本电力设备图片进行缺陷类型标注，以为样本图像分配类别标签，其中，类别标签用于作为对电力设备图片进行分类的依据。

可选的，在上述技术方案的基础上，该电力设备图像分类装置还包括：

测试模块，用于使用图片缺陷识别模型对预设的测试集中的测试图片进行分类预测，得到预测类别标签集，其中，测试集中的每个测试图片均对应匹配一实际类别标签；

分类准确率确定模块，用于基于预测类别标签集中的各预测类别标签与对应实际类别标签的比较结果，确定图片缺陷识别模型的分类准确率；

调整模块，用于若图片缺陷识别模型的分类准确率小于预设的准确率阈值，则增加训练集中样本电力图片的数量和/或增加训练集中样本电力图片的训练次数，重新训练图片缺陷识别模型，并在图片缺陷识别模型的分类准确率大于或等于准确率阈值时，固定图片缺陷识别模型的参数，将参数更新后的图片缺陷识别模型确定为目标图片缺陷识别模型。

可选的，在上述技术方案的基础上，图片缺陷类型确定模块430还用于：

基于目标图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。

可选的，在上述技术方案的基础上，缺陷类型包括如下至少一种：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油类和外观不整洁类。

可选的，在上述技术方案的基础上，预设的卷积神经网络模型为vgg16模型。

可选的，在上述技术方案的基础上，图片缺陷类型确定模块430还用于：

通过图片缺陷识别模型中的卷积层提取待检测图片的预设数量的特征块；

通过图片缺陷识别模型中的池化层从预设数量的特征块中选择出目标特征块；

通过图片缺陷识别模型中的全连接层对特征块进行处理，得到目标特征区域；

通过图片缺陷识别模型中的输出层输出特征区域的预测结果，以确定出待检测图片的缺陷类型。

本发明实施例所提供的电力设备图像分类方法，通过构建训练集对预设的神经卷积网络模型进行训练，得到图片缺陷识别模型，由图像缺陷识别模型对待检测图片进行自动识别，以确定待检测图片是否存在缺陷，并在确定待检测图片存在缺陷时自动定位出对应图片的缺陷类型，从而解决了现有技术中通过人力进行图片分类效率低和容易出错的问题，能够对电力系统中巡检产生的批量图片进行自动识别和分类，为运维人员对电力设备的故障识别提供可靠依据。

可选的，图5为本发明实施例提供的一种电力设备的结构框图。图5为本发明实施例提供的一种电力设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电力设备512的框图。图5显示的电力设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电力设备512以通用计算设备的形式表现。电力设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元516，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

电力设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电力设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)530和/或高速缓存存储器532。电力设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

电力设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该电力设备512交互的设备通信，和/或与使得该电力设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口522进行。并且，电力设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与电力设备512的其它模块通信。应当明白，尽管图中未示出，可以结合电力设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的电力设备图像分类方法，该方法包括：

基于样本电力设备图片构建训练集；

使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；

基于图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。

可选的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的电力设备图像分类方法，该方法包括：

基于样本电力设备图片构建训练集；

使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；

基于图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。