输电线路异物检测方法、网络训练方法、装置和设备

技术领域

本申请涉及电力传输技术领域，特别是涉及一种输电线路异物检测方法、网络训练方法、装置、计算机设备和存储介质。

背景技术

输电线路是架设在地面上用于传输电能的设备。由于输电线路暴露在外，容易受到外来物体的干扰，这种来自于异物的干扰可能会导致电路中断甚至故障。因此，识别外来异物对于确保持续稳定的电源供应非常重要。

传统技术中，通过拍摄设备获取输电线路的图像或视频后，通过区域生成网络的大量计算生成多个候选框，再进一步根据多个候选框进行筛选确定异物位置。

然而，计算量的庞大导致对异物的检测速度较慢，无法实时确定输电线路上的异物位置和类别。

发明内容

基于此，有必要针对上述技术问题，提供一种能够快速确定异物位置和类别的输电线路异物检测方法、网络训练方法、装置、计算机设备和存储介质。

第一方面，本申请提供一种输电线路异物检测方法。该方法包括：

获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集；

将待识别图像集输入至第一中间网络，通过第一图像集建立背景模型，根据背景模型确定第二图像集中待识别异物的预测区域；

将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

在其中一个实施例中，第一中间网络包括显著图网络和背景建模网络；通过第一图像集建立背景模型，根据背景模型确定第二图像集中待识别异物的预测区域，包括：

通过显著图网络对第二图像集的背景和前景进行预处理；

根据第一图像集，通过背景建模网络建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域。

在其中一个实施例中，根据第一图像集，通过背景建模网络建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域，包括：

通过背景建模网络根据第一图像集的预设数量的图像建立背景模型；

根据背景模型，通过前景检测算法确定待识别异物在第二图像集的预测区域。

第二方面，本申请提供一种网络训练方法。该方法包括以下步骤：

获取用于训练的多个第一图像；对第一图像中的已知异物进行信息标注，得到具有已知异物信息的第二图像；已知异物信息包括已知异物的位置；

将第二图像输入至生成对抗网络中，通过生成对抗网络对第二图像进行扩增，得到输电线路异物数据集；

将输电线路异物数据集输入待训练的第一中间网络；通过输电线路异物数据集建立背景模型，根据背景模型确定已知异物在数据集的预测区域。

在其中一个实施例中，第一中间网络包括显著图网络和背景建模网络；通过输电线路异物数据集建立背景模型，根据背景模型确定已知异物在数据集的预测区域，包括：

通过显著图网络对输电线路异物数据集的背景和前景进行预处理；

根据预处理后的输电线路异物数据集，通过背景建模网络建立背景模型，根据背景模型和已知异物的位置确定已知异物在数据集的预测区域。

在其中一个实施例中，生成对抗网络对第二图像进行扩增的方法包括裁剪、翻转、旋转、缩放、平移、添加噪声其中的至少一种。

第三方面，本申请还提供一种输电线路异物检测装置。该装置包括：

图像获取模块，用于获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集；

预测区域确定模块，用于将待识别图像集输入至第一中间网络，通过第一图像集建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域；

异物类别确定模块，用于将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

第四方面，本申请还提供了一种网络训练装置。该装置包括：

训练图像获取模块，用于获取用于训练的多个第一图像；对所述第一图像中的已知异物进行信息标注，得到具有所述已知异物信息的第二图像；所述已知异物信息包括所述已知异物的位置；

图像扩增模块，将所述第二图像输入至生成对抗网络中，通过所述生成对抗网络对所述第二图像进行扩增，得到输电线路异物数据集；

已知异物确定模块，将所述输电线路异物数据集输入待训练的第一中间网络；通过所述输电线路异物数据集建立背景模型，根据所述背景模型确定所述已知异物在所述数据集的预测区域。

第五方面，本申请还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，该处理器执行该计算机程序时实现上述的输电线路异物检测方法的步骤；或者，实现上述的网络训练方法的步骤。

第六方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的输电线路异物检测方法的步骤；或者，实现上述的网络训练方法的步骤。

第七方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的输电线路异物检测方法的步骤；或者，实现上述的网络训练方法的步骤。

上述输电线路异物检测方法、网络训练方法、装置、计算机设备和存储介质，服务器获取到目标输电线路的待识别图像集，待识别图像集分为第一图像集和第二图像集，其中，第一图像集中的图像不具有待识别异物，第二图像集中的图像具有待识别异物。将待识别图像集输入至第一中间网络，由第一中间网络根据第一图像集建立目标输电线路的背景模型，此时建立的背景模型不含有异物。当目标输电线路上出现异物时，会导致背景模型中某个或某些像素点的变化。因此在确定背景模型后，第二图像集中与背景模型不同的像素点即视为待识别异物，从而确定待识别异物的预测区域，也即异物位置。再将具有预测区域的待识别图像输入至第二中间网络，确定待识别区域中异物的类别，从而最终确定待识别异物的位置和类别。相较于传统技术中生成多个预选框，需要对多个预选框进一步筛选的方案，本申请采用的方案能够根据背景模型，在第二图像集确定单一的预测区域，减小了计算量。

附图说明

图1为一个实施例中输电线路异物检测方法的应用环境图；

图2为一个实施例中输电线路异物检测方法的流程示意图；

图3为一个实施例中ViBe算法原理示意图；

图4为另一个实施例中输电线路异物检测方法的流程示意图；

图5为一个实施例中网络训练方法的流程示意图；

图6为另一个实施例中输电线路异物检测方法的流程示意图；

图7为一个实施例中输电线路异物检测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的输电线路异物检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取输电线路的图像，将图像传输至服务器104，由服务器104对图像中异物的位置和类别进行确定。其中，终端102可以但不限于是无人机、摄像机、照相机或其他具有拍摄功能的便携式终端设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种输电线路异物检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤S202至S206。

S202，获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集。

输电线路是架设在地面上用于传输电能的设备。由于输电线路暴露在外，容易受到外来物体的干扰，这种来自于异物的干扰可能会导致电路中断甚至故障。目标输电线路是需要确定异物位置和异物类别的输电线路段。

待识别图像集是多个图像的汇集，图像可以是照片或视频。终端拍摄目标输电线路得到多个图像后，将多个图像传输至服务器端，由服务器端对图像进行识别。第一图像集和第二图像集分别是待识别图像集的一部分。其中，第一图像集是拍摄得到的不含有异物的目标输电线路端的图像合集，第二图像集是拍摄得到的含有异物的目标输电线路端的图像合集。

在一种可行的实现方式中，第一图像集位于待识别图像集的前部分，第二图像集位于待识别图像集的后部分。例如，在前段时间内，目标输电线路不具有异物，拍摄得到的图像汇集为第一图像集。持续一定时间后，异物出现在目标输电线路上，拍摄得到的图像汇集为第二图像集。

S204，将待识别图像集输入至第一中间网络，通过第一图像集建立背景模型，根据背景模型确定第二图像集中待识别异物的预测区域。

待识别异物即为出现不属于目标输电线路的异物，需要确定待识别异物的位置和类别，其中第一中间网络用于确定待识别异物的位置。将待识别图像集输入至第一中间网络后，先由第一中间网络根据第一图像集确定目标输电线路的背景模型，再根据背景模型确定第二图像集中的待识别异物的预测区域。背景模型是不存在异物时目标输电线路的模型。

示意性地，在连续的多个图像中，目标输电线路突然出现异物时，会导致图像的某个区域像素块发生变化。在异物连续运动的情况下，发生变化的像素块也会连续移动。因此在确定目标输电线路的背景模型后，若某些像素块发生突变，并且发生有规律的移动，即视为异物，得到异物所在的预测区域。示意性地，预测区域可以是预测框，异物存在于预测框中。

S206，将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

第二中间网络用于确定异物的类别。在确定待识别异物在第二图像集各图像中的预测区域后，将待识别图像集输入至第二中间网络，通过第二中间网络确定预测区域中异物的类别。异物的类别可以是气球、塑料布、风筝、鸟巢或树枝等。

在一种可行的实现方式中，第二中间网络是基于GoogleNet的分类模型。GoogleNet是一种多层次的卷积神经网络，能够更好地捕捉图像中的细节和结构，比传统的卷积神经网络更加准确。通过使用22层卷积神经网络和一种叫做“Inception”的模块，它能够让网络更加灵活，从而更好地捕捉图像中的细节和结构。此外采用Dropout技术来防止网络过拟合，从而提高网络的准确性，其公式如下：

Loss＝Σ(L(y_i,f(x_i)))

其中，Loss是总损失函数，L(y_i,f(x_i))表示单个样本的损失函数，y_i表示样本的真实标签，f(x_i)表示网络对样本x_i的预测标签，Σ表示所有样本的损失函数之和。

本实施例中，服务器获取到目标输电线路的待识别图像集，待识别图像集分为第一图像集和第二图像集，其中，第一图像集中的图像不具有待识别异物，第二图像集中的图像具有待识别异物。将待识别图像集输入至第一中间网络，由第一中间网络根据第一图像集建立目标输电线路的背景模型，此时建立的背景模型不含有异物。当目标输电线路上出现异物时，会导致背景模型中某个或某些像素点的变化。因此在确定背景模型后，第二图像集中与背景模型不同的像素点即视为待识别异物，从而确定待识别异物的预测区域，也即异物位置。再将具有预测区域的待识别图像输入至第二中间网络，确定待识别区域中异物的类别，从而最终确定待识别异物的位置和类别。相较于传统技术中生成多个预选框，需要对多个预选框进一步筛选的方案，本申请采用的方案能够根据背景模型，在第二图像集确定单一的预测区域，减小了计算量。

在一个实施例中，第一中间网络包括显著图网络和背景建模网络；通过第一图像集建立背景模型，根据背景模型确定第二图像集中待识别异物的预测区域，包括：通过显著图网络对第二图像集的背景和前景进行预处理；根据第一图像集，通过背景建模网络建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域。

显著图网络用于增强背景建模网络的识别能力。图像的前景是指待识别异物，背景是指非异物区域。对于一副图像而言，大部分像素落在前景或者背景的内部，远离边界。显著图网络能够很好地分类这些远离边界的像素。本实施例中使用改进的二进制交叉熵Loss来分层处理前景和背景信息，以减轻背景干扰。其公式如下：

Loss＝-α*y*log(p)-(1-α)*(1-y)*log(1-p)

其中，Loss是二进制交叉熵，α是一个超参数，取值范围为[0,1]；y是实际值，取值为0或1；p是预测值，取值为[0,1]。α参数可以控制不同类别样本的损失函数的权重，当α＝1时，表示正样本的损失函数比负样本的损失函数权重更高，反之，当α＝0时，表示负样本的损失函数比正样本的损失函数权重更高。通过加入正则化参数，可以用于控制模型的复杂度，从而控制模型的拟合程度。

示意性地，背景建模网络可以是MORE Net(Moving Object Region ExtractionNetwork，运动目标背景建模网络)，用于对异物的预测区域进行提取。MORE Net根据第一图像集中的不含异物的图像建立背景模型，根据建立的背景模型对第二图像集中像素变化的区域确定为异物的预测区域。

本实施例中，第一中间网络包括显著图网络和背景建模网络。显著图网络用于对图像集进行前景和背景的预处理，增强前景和背景的区别，便于背景建模网络建立背景模型。背景建模网络根据不含异物的第一图像集建立背景模型，并根据背景模型对第二图像集中的异物进行预测区域的确定。

在一个实施例中，根据第一图像集，通过背景建模网络建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域，包括：通过背景建模网络根据第一图像集的预设数量的图像建立背景模型；根据背景模型，通过前景检测算法确定待识别异物在第二图像集的预测区域。

背景建模网络提取第一图像集中的预设数量的图像建立背景模型，示意性地，预设数量图像可以是照片集中的多个照片，或视频中的多帧图像。建立背景模型后，区分开异物目标和普通的输电线路背景，从而输出最优的单个预测区域，有助于下一级第二中间网络对异物进行目标分类的检测速度提升。

在一种可行的实现方式中，前景检测算法是ViBe算法，能够用于对图像中背景的去除。示意性地，ViBe算法的步骤包括：

1)算法模型初始化：示意性地，预处理的图像是M*N个像素的，x表示某帧图像的一个像素点。模型要为M*N中每个像素建立一个样本集，x像素的样本集可以表示为：S(x)＝{p1,p2,p3...pn}。

每个样本集的大小为n，样本集的总大小为M*N*n。一般初始化在第一幅图像完成。每个像素有n个样本集，初始化样本集的方法不是唯一的，最直观的方法就是根据像素x和像素x的领域来初始化，即将x的值和x的几个领域值随机赋给x对应的n个样本。

(2)像素的分类过程：根据当前图像的像素值和样本集里的像素值进行比对，来得出当前图像的某个像素值是不是前景图像的像素值。请参见图3，假定当前图像为第t幅图像，pt(x)表示第t幅图像x像素的像素值。p1到p6都是x像素的样本集中的值，pt(x)为当前像素值；C1，C2，C3表示三个通道值。选定一个半径R如图3所示，在距pt(x)值半径R距离范围内的样本值有p2，p4，在半径R范围内的样本值总数计为T，那么此时T＝2。当T

(3)模型的更新策略：每一图像对当前像素最多只更新一个样本值，更新的概率为1/w。如果要更新，那么更新的这个样本值随机抽取。同样除了更新当前像素，还有1/w的更新概率要跟新当前像素的邻域值，跟新方法跟当前像素相同。

本实施例中，背景建模网络根据第一图像集的预设图像数量确定背景模型，之后采用前景检测算法确定异物的预测区域。相比于目前R-CNN(Region-based ConvolutionalNeural Networks，区域卷积神经网络)系列目标检测算法都是基于RPN(Region ProposalNetwork，区域候选网络)生成候选目标框，但是RPN经过NMS(Non-Maximum Suppression，非极大值抑制)处理后，会带来一系列复杂的计算和大量冗余的候选框，非常耗时。与复杂的两阶段目标检测算法相比，本实施例中使用背景建模和前景检测算法输出最优锚点框，无需进行一系列复杂的计算，提高检测性能。

在一个实施例中，如图4所示，提供了一种输电线路异物检测方法，包括以下步骤：

S402，获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集。

S404，将待识别图像集输入至第一中间网络，第一中间网络包括显著图网络和背景建模网络。

S406，通过显著图网络对第二图像集的背景和前景进行预处理。

S408，通过背景建模网络根据第一图像集的预设数量的图像建立背景模型。

S410，根据背景模型，通过前景检测算法确定待识别异物在第二图像集的预测区域。

S412，将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

本实施例中，获取待识别图像集后，将待识别图像集输入至第一中间网络。由背景建模网络根据第一图像集的预设数量的图像建立背景模型。由显著图网络对第二图像集的背景和前景进行预处理，使得前景和背景的区别更明显。由背景建模网络根据背景模型确定第二图像集中的异物位置，通过预测区域的形式体现。之后由第二中间网络对预测区域中的异物确定异物类别。

在一个实施例中，如图5所示，提供了一种网络训练方法，以该方法应用于图1中的服务器为例进行说明，该方法包括以下步骤：

S502，获取用于训练的多个第一图像；对第一图像中的已知异物进行信息标注，得到具有已知异物信息的第二图像；已知异物信息包括已知异物的位置。

无人机或其他拍摄设备拍摄得到多个第一图像，传输至服务器。对若干第一图像中的异物进行位置标注，得到若干第二图像。其中，将异物标注为(x,y,w,h)。其中(x,y)表示异物区域的中心点坐标，w表示异物的宽度，h表示异物的高度；其类别标注为L，表示为异物目标。

S504，将第二图像输入至生成对抗网络中，通过生成对抗网络对第二图像进行扩增，得到输电线路异物数据集。

为了解决训练数据不足的问题，我们采用生成对抗网络生成新的图像。示意性地，生成对抗网络可以是GAN网络。将第二图像输入至生成对抗网络中进行数据扩增，能够得到更多的图像，汇集得到输电线路异物数据集。

在一个实施例中，生成对抗网络对第二图像进行扩增的方法包括裁剪、翻转、旋转、缩放、平移、添加噪声其中的至少一种。在对第二图像进行扩增时，保持图像的基本类别不变。

示意性地，首先通过旋转原始图像来扩展数据集。考虑到天气条件会增加识别难度，对图像进行模糊处理，使模型对恶劣天气条件更加友好。以弥补已有数据集样本少的缺陷，GAN网络能够更好地模拟真实场景的情况。

GAN网络由两个网络组成，生成网络Generator和判别网络Discriminator。Generator负责接收随机的噪声z，通过这个噪声生成样本，记为G(z)；Discriminator判定生成的样本是不是真实的，接收输入x，输出D(x)代表x为真实样本的概率。其原理公式描述如下：

L(G,D)＝E[logD(x)]+E[log(1-D(G(z)))]

其中，L为该网络的目标函数，D为判别器，G为生成器，E为训练数据的分布函数。

S506，将输电线路异物数据集输入待训练的第一中间网络；通过输电线路异物数据集建立背景模型，根据背景模型确定已知异物在数据集的预测区域。

将扩增得到的输电线路异物数据集输入至待训练的第一中间网络，待训练的第一中间网络建立背景模型后，根据背景模型输出异物的预测区域。之后根据标注的位置信息进行比对，对输出结果进行修正。经过多次训练得到训练完成的第一中间网络。

本实施例中，将第一图像扩增得到输电线路异物数据集，将数据集输入至待训练的第一中间网络，由待训练的第一中间网络确定背景模型，并根据背景模型输出异物的预测区域。之后可以根据标注信息对输出的预测区域进行修正。经过多次训练，得到训练完成的第一中间网络。

在一个实施例中，第一中间网络包括显著图网络和背景建模网络；通过输电线路异物数据集建立背景模型，根据背景模型确定已知异物在数据集的预测区域，包括：通过显著图网络对输电线路异物数据集的背景和前景进行预处理；根据预处理后的输电线路异物数据集，通过背景建模网络建立背景模型，根据背景模型和已知异物的位置确定已知异物在数据集的预测区域。

显著图网络用于增强背景建模网络的识别能力。图像的前景是指待识别异物，背景是指非异物区域。对于一副图像而言，大部分像素落在前景或者背景的内部，远离边界。显著图网络能够很好地分类这些远离边界的像素。

示意性地，背景建模网络可以是MORE Net(Moving Object Region ExtractionNetwork，运动目标背景建模网络)，用于对异物的预测区域进行提取。MORE Net根据第一图像集中的不含异物的图像建立背景模型，根据建立的背景模型对第二图像集中像素变化的区域确定为异物的预测区域。

本实施例中，第一中间网络包括显著图网络和背景建模网络。显著图网络用于对图像集进行前景和背景的预处理，增强前景和背景的区别，便于背景建模网络建立背景模型。背景建模网络根据不含异物的第一图像集建立背景模型，并根据背景模型对第二图像集中的异物进行预测区域的确定。

在一个实施例中，如图6所示，提供了一种输电线路异物检测方法，包括以下步骤：

S602，获取用于训练的多个第一图像；对第一图像中的已知异物进行信息标注，得到具有已知异物信息的第二图像；已知异物信息包括已知异物的位置。

S604，将第二图像输入至生成对抗网络中，通过生成对抗网络对第二图像进行扩增，得到输电线路异物数据集。

S606，将输电线路异物数据集输入待训练的第一中间网络；通过输电线路异物数据集建立背景模型，根据背景模型确定已知异物在数据集的预测区域。

S608，获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集。

S610，将待识别图像集输入至第一中间网络，第一中间网络包括显著图网络和背景建模网络。

S612，通过显著图网络对第二图像集的背景和前景进行预处理。

S614，通过背景建模网络根据第一图像集的预设数量的图像建立背景模型。

S616，根据背景模型，通过前景检测算法确定待识别异物在第二图像集的预测区域。

S618，将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

本实施例中，将第一图像扩增得到输电线路异物数据集，将数据集输入至待训练的第一中间网络，由待训练的第一中间网络确定背景模型，并根据背景模型输出异物的预测区域。之后可以根据标注信息对输出的预测区域进行修正。经过多次训练，得到训练完成的第一中间网络。再将目标输电线路的待识别图像集输入至第一中间网络进行异物的预测区域的确定。再将具有预测区域的待识别图像输入至第二中间网络，确定待识别区域中异物的类别，从而最终确定待识别异物的位置和类别。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的输电线路异物检测方法的输电线路异物检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个输电线路异物检测装置实施例中的具体限定可以参见上文中对于输电线路异物检测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种输电线路异物检测装置700，包括：图像获取模块702、预测区域确定模块704和异物类别确定模块706，其中：

图像获取模块702，用于获取目标输电线路的待识别图像集；待识别图像集包括不存在异物的第一图像集和存在待识别异物的第二图像集。

预测区域确定模块704，用于将待识别图像集输入至第一中间网络，通过第一图像集建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域。

异物类别确定模块706，用于将具有预测区域的待识别图像集输入至第二中间网络，得到待识别异物的类别。

在一个实施例中，第一中间网络包括显著图网络和背景建模网络；预测区域确定模块704具体用于通过显著图网络对第二图像集的背景和前景进行预处理；并根据第一图像集，通过背景建模网络建立背景模型，根据背景模型确定待识别异物在第二图像集的预测区域。

在一个实施例中，预测区域确定模块704具体用于通过背景建模网络根据第一图像集的预设数量的图像建立背景模型；并根据背景模型，通过前景检测算法确定待识别异物在第二图像集的预测区域。

上述输电线路异物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的网络训练方法的网络训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个网络训练装置实施例中的具体限定可以参见上文中对于网络训练方法的限定，在此不再赘述。

在一个实施例中，本申请还提供了一种网络训练装置。网络训练装置包括训练图像获取模块、图像扩增模块和已知异物确定模块。

训练图像获取模块，用于获取用于训练的多个第一图像；对所述第一图像中的已知异物进行信息标注，得到具有所述已知异物信息的第二图像；所述已知异物信息包括所述已知异物的位置。

图像扩增模块，将所述第二图像输入至生成对抗网络中，通过所述生成对抗网络对所述第二图像进行扩增，得到输电线路异物数据集。

已知异物确定模块，将所述输电线路异物数据集输入待训练的第一中间网络；通过所述输电线路异物数据集建立背景模型，根据所述背景模型确定所述已知异物在所述数据集的预测区域。

在一个实施例中，第一中间网络包括显著图网络和背景建模网络已知异物确定模块，具体用于通过显著图网络对输电线路异物数据集的背景和前景进行预处理；根据预处理后的输电线路异物数据集，通过背景建模网络建立背景模型，根据背景模型和已知异物的位置确定已知异物在数据集的预测区域。

在一个实施例中，图像扩增模块中生成对抗网络对第二图像进行扩增的方法包括裁剪、翻转、旋转、缩放、平移、添加噪声其中的至少一种。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储输电线路图像数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路异物检测方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。