一种训练集获取方法、电力设施检测方法及装置与流程

本发明涉及深度学习技术领域，具体的说是一种训练集获取方法、电力设施检测方法及装置。

背景技术：

采用深度学习技术进行图像检测是近年来的技术发展趋势。在深度学习中，一般要求训练集中的样本数量要充足，样本数量越多，训练出来的模型效果越好，模型的泛化能力越强。但是实际中，样本数量不足或者样本质量不够好，这就要对样本做数据增强，来提高样本质量。

所谓的数据增强(dataaugmentation)方法是指利用平移、缩放、颜色等变躁，人工增大训练集中样本的个数，从而获得充足的训练数据，使模型训练的效果更好。典型的数据增强方法有翻转(flip)，旋转(rotat)，缩放(scale)，随机裁剪或补零(randomcroporpad)，色彩抖动(colorjittering)，加噪声(noise)等等。

但是发明人发现，现有的数据增强方法均为几何变换或者仿射变换，是针对原图像的简单变形，没有突出图像的稳定特征，采用该方式获得的训练集中噪声较多，且易丢失关键特征，导致使用该训练集训练出来的模型的准确率不高。

技术实现要素：

有鉴于此，本发明的目的在于提出一种训练集获取方法、电力设施检测方法及装置，能够有效的提高训练集中样本的数量，且能够突出图像中的稳定特征。

基于上述目的本发明提供的一种训练集获取方法，包括：

获取样本图像；

对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；

对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；

获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。

作为一种可选的实施方式，所述对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据，包括：

将所述样本图像迭代进行如下操作：利用高斯核进行卷积、下采样、去除偶数行和列，直至满足迭代终止条件，得到高斯金字塔图像数据。

作为一种可选的实施方式，所述对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据，包括：

针对高斯金字塔图像数据中任意相邻的两层图像数据，用其中下层图像数据减去上层图像数据获得差值数据，利用高斯核对所述差值数据进行卷积，获得差值图像数据层；

将全部差值图像数据层按照与高斯金字塔对应的顺序进行码放，获得拉普拉斯金字塔图像数据。

作为一种可选的实施方式，所述用其中下层图像数据减去上层图像数据获得差值数据之后，还包括：

对所述差值数据进行上采样，得到上采样后的差值数据；

所述利用高斯核对所述差值数据进行卷积，获得差值图像数据层，包括：

利用高斯核对所述上采样后的差值数据进行卷积，获得差值图像数据层。

作为一种可选的实施方式，所述方法还包括：

获取所述高斯金字塔图像数据中包括的样本图像的缺陷标注数据；

针对所述高斯金字塔图像数据以及所述拉普拉斯金字塔图像数据中除所述样本图像之外的每层图像数据，根据所述样本图像与该层图像数据的尺度变换关系，对所述样本图像的缺陷标注数据进行尺度变换，得到该层图像数据的缺陷标注数据；

所述获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，包括：

获得包括所述高斯金字塔图像数据、所述拉普拉斯金字塔图像数据、所述高斯金字塔图像数据的缺陷标注数据和所述拉普拉斯金字塔图像数据的缺陷标注数据的训练集。

作为一种可选的实施方式，所述样本图像为基于电力设施采集的图像；所述神经网络模型为电力设施检测模型。

与所述训练集获取方法相对应的，本发明实施例还提供了一种电力设施检测方法，包括：

获取训练集，所述训练集包括：高斯金字塔图像数据和拉普拉斯金字塔图像数据，其中，所述高斯金字塔图像数据为对样本图像进行高斯金字塔处理得到的，所述拉普拉斯金字塔图像数据为对所述高斯金字塔图像数据进行拉普拉斯金字塔处理得到的；

获取所述训练集的特征标注数据；

将所述训练集及所述特征标注数据输入初始网络模型中进行训练，得到检测模型；

将电力设施检测图像输入所述检测模型，获得所述检测模型输出的检测结果。

作为一种可选的实施方式，所述初始网络模型为yolo模型。

与所述训练集获取方法相对应的，本发明实施例还提供了一种训练集获取装置，包括：

第一获取模块，用于获取样本图像；

第一处理模块，用于对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；

第二处理模块，用于对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；

第二获取模块，获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。

与所述电力设施检测方法相对应的，本发明实施例还提供了一种电力设施检测装置，包括：

第一获取单元，用于获取训练集，所述训练集包括：高斯金字塔图像数据和拉普拉斯金字塔图像数据，其中，所述高斯金字塔图像数据为对样本图像进行高斯金字塔处理得到的，所述拉普拉斯金字塔图像数据为对所述高斯金字塔图像数据进行拉普拉斯金字塔处理得到的；

第二获取单元，用于获取所述训练集的特征标注数据；

训练单元，用于将所述训练集及所述特征标注数据输入初始网络模型中进行训练，得到检测模型；

检测单元，用于将电力设施检测图像输入所述检测模型，获得所述检测模型输出的检测结果。

从上面所述可以看出，本发明提供的一种训练集获取方法、电力设施检测方法及装置，其中，所述训练集获取方法中，通过对样本图像进行高斯金字塔处理和拉普拉斯金字塔处理，得到的训练集中包括高斯金字塔图像数据和拉普拉斯金字塔图像数据，一方面，有效的丰富了训练集中的样本数量，另一方面，高斯金字塔图像数据和拉普拉斯金字塔图像数据是线性尺度变换，相比于几何变换或者仿射变换，突出了图像中的稳定特征，有助于提高模型准确性。

附图说明

图1为本发明实施例的训练集获取方法的逻辑示意图；

图2为本发明实施例的电力设施检测方法的逻辑示意图；

图3为本发明实施例的训练集获取装置的逻辑示意图；

图4为本发明实施例的电力设施检测装置的逻辑示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

下面通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

为达到上述目的，本发明实施例提供了一种训练集获取方法、电力设施检测方法及装置，该方法及装置可以应用于计算机、服务器或者云服务器等，具体不做限定。下面首先对本发明实施例提供的训练集获取方法进行详细说明。

图1为本发明实施例提供的一种训练集获取方法的流程示意图，包括：

s100：获取样本图像。

s200：对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据。

高斯金字塔是最基本的图像塔，将样本图像作为最底层图像数据g0(高斯金字塔的第0层)，利用高斯核对最底层图像数据g0进行卷积，然后对卷积后的图像数据进行下采样(去除偶数行和列)，得到上一层图像数据g1，将此图像数据作为输入，重复卷积和下采样操作得到更上一层图像数据，反复迭代多次，形成一个金字塔形的图像数据结构，即高斯金字塔。

s300：对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据。

在高斯金字塔的运算过程中，图像数据经过卷积和下采样操作会丢失部分高频细节信息。针对高斯金字塔中的任意两层图像数据，用其中的下一层图像数据减去其上一层图像数据，获得差值数据，对差值数据进行上采样并高斯卷积之后，得到一系列的差值图像数据即为拉普拉斯金字塔分解图像数据。拉普拉斯金字塔分解图像数据可以描述这些高频信息，从能能够关注到模型中的细节信息。

s400：获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。

本发明实施例提供的一种训练集获取方法，通过对样本图像进行高斯金字塔处理和拉普拉斯金字塔处理，得到的训练集中包括高斯金字塔图像数据和拉普拉斯金字塔图像数据，一方面，有效的丰富了训练集中的样本数量，另一方面，高斯金字塔图像数据和拉普拉斯金字塔图像数据是线性尺度变换，相比于几何变换或者仿射变换，突出了图像中的稳定特征，有助于提高模型准确性。

作为一种可选的实施方式，所述对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据，包括：

将所述样本图像迭代进行如下操作：利用高斯核进行卷积、下采样、去除偶数行和列，直至满足迭代终止条件，得到高斯金字塔图像数据。

将样本图像作为最底层图像数据g0(高斯金字塔的第0层)，利用高斯核对最底层图像数据g0进行卷积，然后对卷积后的图像数据进行下采样(去除偶数行和列)，得到上一层图像数据g1，将图像数据g1作为输入，重复卷积和下采样操作得到更上一层图像数据g2，如此反复迭代多次，得到数据层g0、g1、g2….gn，其中，n为正整数，将此n层图像数据从g0至gn自下而上码放，形成一个n层的金字塔形的图像数据结构，即高斯金字塔。

高斯金字塔中，相较于下一层图像数据，上一层图像数据的像素更低，图像更加的模糊，是一种线性尺度变换，突出了图像中的稳定特征。例如，可以在电力设施巡检场景中应用本方案，基于电力设施采集样本图像，这种情况下，电力设施中的塔基完好程度是一个大尺度问题，高斯金字塔处理得到的每层图像数据中，塔基属于图像中的稳定特征。

以一个1024×1024的图像为例，构建高斯金字塔。

第一组的第一层为原图像，然后将原图像做一次高斯模糊(去除偶数行和列)，输入高斯模糊中的高斯平滑参数值δ，例如δ值为1.6，获得第一组的第二层图像数据；将第二层图像数据做一次高斯模糊，将原δ乘一个比例系数k(例如，k＝1.2)作为新的平滑因子来平滑第一组的第二层图像数据得到第三层图像数据，重复迭代(l-1)次，得到一组l层的高斯金字塔。

还可以进一步的建立高斯金字塔，将第一组的高斯金字塔中的第l层图像数据做比例因子x(例如，x＝2)的降采样得到第二组的第一层图像数据，然后重复高斯金字塔的建立过程，得到第二组l层的高斯金字塔。

如此类推，可以形成多组l层的高斯金字塔。

高斯金字塔构建成功后，将每一组内相邻的两层图像数据中的上一层减去下一层，然后将获得的多层图像数据对应的码放即可得到拉普拉斯金字塔。

作为一种可选的实施方式，所述对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据，包括：

针对高斯金字塔图像数据中任意相邻的两层图像数据，用其中下层图像数据减去上层图像数据获得差值数据，利用高斯核对所述差值数据进行卷积，获得差值图像数据层；

将全部差值图像数据层按照与高斯金字塔对应的顺序进行码放，获得拉普拉斯金字塔图像数据。

在高斯金字塔的运算过程中，图像经过卷积和下采样操作会丢失部分高频细节信息。在获得高斯金字塔图像数据之后，进行拉普拉斯金字塔处理，获得拉普拉斯金字塔图像数据，能够描述高频细节信息。

例如，可以在电力设施巡检场景中应用本方案，基于电力设施采集样本图像，这种情况下，电力设施中的导线是否断股属于细节信息，该部分信息在高斯金字塔处理过程中容易丢失，而拉普拉斯金字塔处理能够识别导线断股这一小尺度问题。

可选的，所述用其中下层图像数据减去上层图像数据获得差值数据之后，还包括：

对所述差值数据进行上采样，得到上采样后的差值数据；

所述利用高斯核对所述差值数据进行卷积，获得差值图像数据层，包括：

利用高斯核对所述上采样后的差值数据进行卷积，获得差值图像数据层。

如此，通过增加上采样的过程，能够对数据进行填充。

作为一种可选的实施方式，所述方法还包括：

获取所述高斯金字塔图像数据中包括的样本图像的缺陷标注数据；

针对所述高斯金字塔图像数据中除所述样本图像之外的每层图像数据，根据所述样本图像与该层图像数据的尺度变换关系，对所述样本图像的缺陷标注数据进行尺度变换，得到该层图像数据的缺陷标注数据；

所述获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，包括：

获得包括所述高斯金字塔图像数据、所述拉普拉斯金字塔图像数据和所述高斯金字塔图像数据的缺陷标注数据的训练集。

如此，通过获取高斯金字塔图像数据的缺陷标注数据，并作为训练集的一部分，以便于后续进行有监督的训练。

作为一种可选的实施方式，所述方法还包括：

获取所述高斯金字塔图像数据中包括的样本图像的缺陷标注数据；

针对所述拉普拉斯金字塔图像数据中的每层图像数据，根据所述样本图像与该层图像数据的尺度变换关系，对所述样本图像的缺陷标注数据进行尺度变换，得到该层图像数据的缺陷标注数据；

所述获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，包括：

获得包括所述高斯金字塔图像数据、所述拉普拉斯金字塔图像数据和所述拉普拉斯金字塔图像数据的缺陷标注数据的训练集。

如此，通过获取拉普拉斯金字塔图像数据的缺陷标注数据，并作为训练集的一部分，以便于后续进行有监督的训练。

可选的，所述样本图像为基于电力设施采集的图像；所述神经网络模型为电力设施检测模型。

其中，在基于电力设施采集的图像中，塔基属于图像中的稳定特征，不同层的图像数据中均存在。通过高斯金字塔图像数据训练出来的模型，能够识别大尺度问题，例如在光照角度、雨雾天气等环境干扰下，塔基的完好程度。拉普拉斯金字塔图像数据中，突出了原样本数据高频细节信息，例如导线断股等小尺度图像问题，即通过拉普拉斯金字塔图像数据训练出来的模型，能够识别小尺度图像问题。

与所述训练集获取方法相对应的，本发明实施例还提供了一种电力设施检测方法，如图2所示，包括：

s500、获取训练集，所述训练集包括：高斯金字塔图像数据和拉普拉斯金字塔图像数据，其中，所述高斯金字塔图像数据为对样本图像进行高斯金字塔处理得到的，所述拉普拉斯金字塔图像数据为对所述高斯金字塔图像数据进行拉普拉斯金字塔处理得到的；

s600、获取所述训练集的特征标注数据；

s700、将所述训练集及所述特征标注数据输入初始网络模型中进行训练，得到检测模型；

s800、将电力设施检测图像输入所述检测模型，获得所述检测模型输出的检测结果。

在电力设施巡检领域的应用中，主要采用直升机或者依托无人机携带光学摄像设备对电力设施进行巡视，终端在获取光学摄像设备拍摄的图像后，将图像输入预先存储的模型中，通过模型对图像中的电力设施进行检测，以判断电力设施是否存在缺陷。但是，发明人发现，现有的检测方法存在着准确率低下的问题。一方面，开放式环境下，光照角度、雨雾气候环境等会对图像形成严重的干扰，另一方面，在巡检过程中，检测内容的尺度变化较大，例如，塔基完好程度是一个大尺度问题，而导线断股等问题又是一个小尺度图像的问题，现有的检测方法难以准确识别上述问题。

本发明实施例的检测方法中，对样本图像进行高斯金字塔处理得到的高斯金字塔图像数据中，相较于下一层图像数据，上一层图像数据的像素更低，图像更加的模糊，是一种线性尺度变换，突出了图像中的稳定特征。而塔基属于图像中的稳定特征，不同层的图像数据中均存在。通过高斯金字塔图像数据训练出来的模型，能够识别大尺度问题，例如在光照角度、雨雾天气等环境干扰下，塔基的完好程度。拉普拉斯金字塔图像数据中，突出了原样本数据高频细节信息，例如导线断股等小尺度图像问题，即通过拉普拉斯金字塔图像数据训练出来的模型，能够识别小尺度图像问题，通过在训练集中的高斯金字塔图像数据以及拉普拉斯金字塔图像数据的共同作用，能够使该训练集训练得到的模型具有较好的准确性，从而有效提高检测结果的准确性。

作为一种可选的实施方式，所述初始网络模型为yolo(youonlylookonce)模型。或者，所述初始网络模型也可以是现有技术中其他与yolo模型功能类似的网络模型，具体不做限定。

与所述训练集获取方法相对应的，本发明实施例还提供了一种训练集获取装置，如图3所示，包括：

第一获取模块10，用于获取样本图像；

第一处理模块20，用于对所述样本图像进行高斯金字塔处理，得到高斯金字塔图像数据；

第二处理模块30，用于对所述高斯金字塔图像数据进行拉普拉斯金字塔处理，得到拉普拉斯金字塔图像数据；

第二获取模块40，获得包括所述高斯金字塔图像数据和所述拉普拉斯金字塔图像数据的训练集，所述训练集用于训练神经网络模型。

本发明实施例提供的一种训练集获取装置，通过对样本图像进行高斯金字塔处理和拉普拉斯金字塔处理，得到的训练集中包括高斯金字塔图像数据和拉普拉斯金字塔图像数据，一方面，有效的丰富了训练集中的样本数量，另一方面，高斯金字塔图像数据和拉普拉斯金字塔图像数据是线性尺度变换，相比于几何变换或者仿射变换，突出了图像中的稳定特征，有助于提高模型准确性。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

与所述电力设施检测方法相对应的，本发明实施例还提供了一种电力设施检测装置，如图4所示，包括：

第三获取单元50，用于获取训练集，所述训练集包括：高斯金字塔图像数据和拉普拉斯金字塔图像数据，其中，所述高斯金字塔图像数据为对样本图像进行高斯金字塔处理得到的，所述拉普拉斯金字塔图像数据为对所述高斯金字塔图像数据进行拉普拉斯金字塔处理得到的；

第四获取单元60，用于获取所述训练集的特征标注数据；

训练单元70，用于将所述训练集及所述特征标注数据输入初始网络模型中进行训练，得到检测模型；

检测单元80，用于将电力设施检测图像输入所述检测模型，获得所述检测模型输出的检测结果。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。