本发明涉及图像分类领域，特别是涉及一种绝缘子图像分类方法及系统。
背景技术：
绝缘子是输电线路中重要的电气绝缘及机械支撑部件，同时也是故障多发部件，因绝缘子故障而引起的事故数量已位居输电线路事故数量的榜首。若不及时巡检发现绝缘子存在的安全隐患，会造成重大损失。近年来，在智能电网建设中，多旋翼无人机开始逐步承担输电线路的巡检任务，力图克服人工巡检的低效性和危险性。但飞行机器人采集的航拍图像中，背景复杂多变且干扰很多，目标识别难度很大，在很多情况下，人工观测都需要仔细辨认才能够发现。因此，研究复杂背景下的目标识别是实现无人机自主检测功能的关键。
目前，深度学习算法在绝缘子检测中实践应用的一大主要瓶颈就是训练样本问题：(1)训练样本不完备：目标种类、长度、角度各异，航拍视角和视距变化很大，样本采集不全面。(2)训练样本品质不高：输电走廊的自然环境和地貌随季节变化，无人机自上向下拍摄，航拍图像背景复杂多变；绝缘子目标和故障区域在图像中不够突出，干扰情况严重。
技术实现要素：
本发明的目的是针对现有技术存在的问题，提供一种训练样本充足、分类准确的绝缘子图像分类方法及系统。
为实现上述目的，本发明提供了如下方案：
一种绝缘子图像分类方法，所述方法包括：
制备模拟图像；所述模拟图像为输电线路的模拟航拍图像，所述模拟图像包括绝缘子图像和背景图；
获取输电线路的历史航拍图像；
通过所述模拟图像以及所述历史航拍图像，对神经网络模型进行训练，得到分类模型；
对输电线路进行拍摄，得到输电线路的当前航拍图像；
根据所述分类模型对所述当前航拍图像进行分类，得到绝缘子图像。
可选的，所述制备模拟图像，具体包括：
根据绝缘子的尺寸和形状，绘制绝缘子部件，所述绝缘子部件包括金属端头、伞盘以及棒芯；
设置绝缘子各个部件的材质参数；
将各个部件进行组合，得到绝缘子；
对所述绝缘子进行环境渲染，得到模拟图像。
可选的，所述通过所述模拟图像以及所述历史航拍图像，对神经网络模型进行训练，得到分类模型，具体包括：
通过所述神经网络模型对所述模拟图像以及所述历史航拍图像进行分类，得到背景图输出数据以及绝缘子图像输出数据；
判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内；
否是，则确定所述神经网络模型为分类模型；
若否，则调整所述神经网络模型的参数，使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内，得到分类模型。
可选的，所述神经网络模型包括3个卷积层、3个下采样层以及1个全连接层。
一种绝缘子图像分类系统，包括：
制备模块，用于制备模拟图像；所述模拟图像为输电线路的模拟航拍图像，所述模拟图像包括绝缘子图像和背景图；
获取模块，用于获取输电线路的历史航拍图像；
训练模块，用于通过所述模拟图像以及所述历史航拍图像，对神经网络模型进行训练，得到分类模型；
拍摄模块，用于对输电线路进行拍摄，得到输电线路的当前航拍图像；
分类模块，用于根据所述分类模型对所述当前航拍图像进行分类，得到绝缘子图像。
可选的，所述制备模块包括：
绘制单元，用于根据绝缘子的尺寸和形状，绘制绝缘子部件，所述绝缘子部件包括金属端头、伞盘以及棒芯；
设置单元，用于设置绝缘子各个部件的材质参数；
组合单元，用于将各个部件进行组合，得到绝缘子；
渲染单元，用于对所述绝缘子进行环境渲染，得到模拟图像。
可选的，所述训练模块包括：
分类单元，用于通过所述神经网络模型对所述模拟图像进行分类，得到背景图输出数据以及绝缘子图像输出数据；
判断单元，用于判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内；
确定单元，与所述判断模块连接，用于当所述背景图输出数据以及绝缘子图像数据在误差阈值范围内时，确定所述神经网络模型为分类模型；以及用于当所述背景图输出数据以及绝缘子图像数据不在误差阈值范围内时，调整所述神经网络模型的参数，使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内，得到分类模型。
可选的，所述神经网络模型包括3个卷积层、3个下采样层以及1个全连接层。
与现有技术相比，本发明具有以下技术效果：本发明通过制备模拟图像来扩充训练样本，并通过训练样本对神经网络模型进行训练，使其能够准确、快速的对绝缘子图像进行分类。
附图说明
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。
图1为本发明实施例绝缘子图像分类方法的流程图；
图2为本发明实施例绝缘子图像分类系统的结构框图。
具体实施方式
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。
本发明的目的是针对现有技术存在的问题，提供一种训练样本充足、分类准确的绝缘子图像分类方法及系统。
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。
图1为本发明实施例绝缘子图像分类方法的流程图。如图1所示，一种绝缘子图像分类方法包括以下步骤：
步骤101：制备模拟图像；所述模拟图像为输电线路的模拟航拍图像，所述模拟图像包括绝缘子图像和背景图。
具体的，根据国家标准gb/t7253《盘型悬式绝缘子串元件尺寸与特性》及gb1001《盘形悬式绝缘子技术条件》规定的绝缘子尺寸以及技术条件，采用3dmax建模软件对绝缘子进行绘制和渲染工作。
绘制和渲染的第一步是根据国标中规定的绝缘子的尺寸，在多个视图(前视图，左视图，顶视图等)中进行金属端头、伞盘及棒芯的绘制，第二步是分别对绝缘子的各个部件进行材质的生成设置，第三步是将各个部件组合成一个绝缘子串，对渲染环境进行设置，最后开始渲染绝缘子样本成品进行渲染，得到绝缘子的模型图。按照规约对绝缘子进行绘制，包括3种不同型号的玻璃绝缘子，1种白色陶瓷绝缘子以及1种红色陶瓷绝缘子。并对每种绝缘子模型进行不同角度、不同大小以及不同类型的投影成像。生成纯净灰色背景的模拟增强样本，用于在分类过程中，减弱正样本中的背景特征，增强绝缘子特征，实现网络分类准确率的快速提升。
步骤102：获取输电线路的历史航拍图像。
步骤103：通过所述模拟图像以及所述历史航拍图像，对神经网络模型进行训练，得到分类模型。
具体的，采用深度学习网络中的卷积神经网络模型，由3个卷积层，3个下采样层，1个全连接层组成，卷积层con1通过使用256个7*7的卷积核滑动处理256*256*3的被测图像；下采样层pool2的感受野大小为2*2，用于去除冗余数据；卷积层con3和con5分别使用128个6*6的卷积核和64个3*3的卷积核；下采样层pool4和pool6的感受野大小都是3*3；整个网络训练参数个数为65280个。网络通过对损失函数值进行最小优化，进而得到合理的连接权值。
通过所述神经网络模型对所述模拟图像以及所述历史航拍图像进行分类，得到背景图输出数据以及绝缘子图像输出数据；
判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内；
否是，则确定所述神经网络模型为分类模型；
若否，则调整所述神经网络模型的参数，使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内，得到分类模型。
步骤104：对输电线路进行拍摄，得到输电线路的当前航拍图像。
步骤105：根据所述分类模型对所述当前航拍图像进行分类，得到绝缘子图像。
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：本发明通过制备模拟图像来扩充训练样本，并通过训练样本对神经网络模型进行训练，使其能够准确、快速的对绝缘子图像进行分类。
图2为本发明实施例绝缘子图像分类系统的结构框图。如图2所示，一种绝缘子图像分类系统，包括：
制备模块201，用于制备模拟图像；所述模拟图像为输电线路的模拟航拍图像，所述模拟图像包括绝缘子图像和背景图。
所述制备模块201具体包括：
绘制单元，用于根据绝缘子的尺寸和形状，绘制绝缘子部件，所述绝缘子部件包括金属端头、伞盘以及棒芯；
设置单元，用于设置绝缘子各个部件的材质参数；
组合单元，用于将各个部件进行组合，得到绝缘子；
渲染单元，用于对所述绝缘子进行环境渲染，得到模拟图像。
获取模块202，用于获取输电线路的历史航拍图像。
训练模块203，用于通过所述模拟图像对神经网络模型进行训练，得到分类模型。
所述训练模块203具体包括：
分类单元，用于通过所述神经网络模型对所述模拟图像进行分类，得到背景图输出数据以及绝缘子图像输出数据；
判断单元，用于判断所述背景图输出数据以及绝缘子图像数据是否在误差阈值范围内；
确定单元，与所述判断模块连接，用于当所述背景图输出数据以及绝缘子图像数据在误差阈值范围内时，确定所述神经网络模型为分类模型；以及用于当所述背景图输出数据以及绝缘子图像数据不在误差阈值范围内时，调整所述神经网络模型的参数，使所述背景图输出数据以及绝缘子图像数据在误差阈值范围内，得到分类模型。
拍摄模块204，用于对输电线路进行拍摄，得到输电线路的当前航拍图像；
分类模块205，用于根据所述分类模型对所述当前航拍图像进行分类，得到绝缘子图像。
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。
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。