一种适用于电力场景的语义分析方法及系统

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种应用于电力场景的语义分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

图像语义分析技术是对图像中的内容进行视觉层、对象层、概念层的理解，从“像素-区域-目标-场景”多层次内容，让计算机理解图像中的颜色、纹理、形状等底层语义特征以及图像含义等高层语义特征，通过语义信息完成图像的分类、分割、识别等工作。传统图像语义分析通过手工提取图像特征点，然后利用支持向量机完成图像分类等，卷积神经网络通过各层网络自动完成特征学习与提取，利用网络分类器完成图像分类、识别等。

目前在电力领域，常用的图像语义分析技术为图像检测，由于应用场景的特殊性，发明人发现，传统语义分析方法易受图像噪声影响导致特征点分布不均，导致分类出错；卷积神经网络方法受限于目标尺度较小和拍摄角度，导致误检率较高，影响实用化。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种应用于电力场景的语义分析方法及系统，其能够提高语义预测结果。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种应用于电力场景的语义分析方法。

一种应用于电力场景的语义分析方法，包括：

获取待测电力场景图像；

预处理待测电力场景图像；

将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；

其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

本发明的第二个方面提供一种应用于电力场景的语义分析系统。

一种应用于电力场景的语义分析系统，包括：

图像获取模块，其用于获取待测电力场景图像；

预处理模块，其用于预处理待测电力场景图像；

语义分割模块，其用于将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；

其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

本发明的第三个方面提供一种计算机可读存储介质。

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上述所述的应用于电力场景的语义分析方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，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程序时实现如上述所述的应用于电力场景的语义分析方法中的步骤。

与现有技术相比，本发明的有益效果是：

创新性提出了一种基于特征学习网络的电力场景语义分析方法及系统，其利用全卷积网络对电力场景图像进行像素级的多层特征学习提取，利用自动编码器根据多层神经网络特征计算最终网络的权值，生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照，得到相应语义预测，解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题，提高了语义预测结果。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的应用于电力场景的语义分析方法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

参照图1，本实施例的应用于电力场景的语义分析方法，其具体包括如下步骤：

S101：获取待测电力场景图像。

具体地，电力场景可为变电站场景或是电网线路检修场景等等。

S102：预处理待测电力场景图像。

在具体实施中，预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。

例如：利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。

其中：显著性检测是一类图像提取的方法，模拟人类注意事物的方式，将重点信息进行提取。

此处需要说明的是，在其他实施例中，也可采用其他方法对前景重点信息进行提取。

S103：将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测。

在本实施例中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

其中，索引表基于设定训练样本集而建立的。

全卷积网络：卷积神经网络最后一层连接层改为卷积层，生成二维的特征向量用于建立特征索引。

在建立索引表之前，还包括初始化全卷积网络的参数。其中，全卷积网络的参数包括模型迭代次数、学习率、衰减因子、权重和滑动窗口等参数。

在具体实施中，在建立索引表的过程中，将全卷积网络中多个卷积层对训练样本提取的特征进行融合，统一多层卷积层的尺度，将融合后特征作为输出层用于最终的语义预测。

具体地，为提高模型精度，将多个卷积层的信息进行融合后，还通过像素运算等插值方式将多层卷积层的尺度达到相同尺度。

在一些实施例中，还将语义预测结果和输入图像作为数据源存储到系统中，进行数据集的扩充，便于后续的算法迭代。对于未能检测出目标的图像，系统可将图像进行标定和特殊存储，待人工进行复审，并标定识别类别存入系统中。

本实施例的应用于电力场景的语义分析方法，首先初始化全卷积网络的参数；然后进行训练集的预处理，将样本图片处理为统一尺度，并利用显著性检测进行前景的提取，用于后续的模型训练；将样本输入全卷积神经网络和深度自动编码器进行像素级的多层特征学习提取，生成视觉特征表述，建立索引表；为提高模型精度，将多个卷积层的信息进行融合，通过插值的方式实现多卷积层的尺度达到相同尺度，作为输出层用于最终的语义预测。

实施例二

本实施例提供了一种应用于电力场景的语义分析系统，其包括：

(1)图像获取模块，其用于获取待测电力场景图像。

具体地，电力场景可为变电站场景或是电网线路检修场景等等。

(2)预处理模块，其用于预处理待测电力场景图像。

在具体实施中，预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。

例如：利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。

其中：显著性检测是一类图像提取的方法，模拟人类注意事物的方式，将重点信息进行提取。

此处需要说明的是，在其他实施例中，也可采用其他方法对前景重点信息进行提取。

(3)语义分割模块，其用于将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述，并与预先构建的索引表对照，得到待测电力场景图像的语义预测；

其中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

在本实施例中，特征学习网络由全卷积网络和深度自动编码器组成，全卷积网络用于对电力场景图像进行像素级的多层特征学习提取，自动编码器用于根据多层神经网络特征计算最终网络的权值，生成视觉特征表述；索引表内存储视觉特征表述与语义预测结果的对应关系。

其中，索引表基于设定训练样本集而建立的。

全卷积网络：卷积神经网络最后一层连接层改为卷积层，生成二维的特征向量用于建立特征索引。

在建立索引表之前，还包括初始化全卷积网络的参数。其中，全卷积网络的参数包括模型迭代次数、学习率、衰减因子、权重和滑动窗口等参数。

在具体实施中，在建立索引表的过程中，将全卷积网络中多个卷积层对训练样本提取的特征进行融合，统一多层卷积层的尺度，将融合后特征作为输出层用于最终的语义预测。

具体地，为提高模型精度，将多个卷积层的信息进行融合后，还通过像素运算等插值方式将多层卷积层的尺度达到相同尺度。

在一些实施例中，还将语义预测结果和输入图像作为数据源存储到系统中，进行数据集的扩充，便于后续的算法迭代。对于未能检测出目标的图像，系统可将图像进行标定和特殊存储，待人工进行复审，并标定识别类别存入系统中。

本实施例的应用于电力场景的语义分析方法，首先初始化全卷积网络的参数；然后进行训练集的预处理，将样本图片处理为统一尺度，并利用显著性检测进行前景的提取，用于后续的模型训练；将样本输入全卷积神经网络和深度自动编码器进行像素级的多层特征学习提取，生成视觉特征表述，建立索引表；为提高模型精度，将多个卷积层的信息进行融合，通过插值的方式实现多卷积层的尺度达到相同尺度，作为输出层用于最终的语义预测。

此处需要说明的是，本实施例的应用于电力场景的语义分析系统中的各个模块，与实施例一中的应用于电力场景的语义分析方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取，利用自动编码器根据多层神经网络特征计算最终网络的权值，生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照，得到相应语义预测，解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题，提高了语义预测结果。

实施例三

本实施例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上述实施例一所述的应用于电力场景的语义分析方法中的步骤。

本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取，利用自动编码器根据多层神经网络特征计算最终网络的权值，生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照，得到相应语义预测，解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题，提高了语义预测结果。

实施例四

本实施例提供了一种计算机设备，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程序时实现如上述实施例一所述的应用于电力场景的语义分析方法中的步骤。

本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取，利用自动编码器根据多层神经网络特征计算最终网络的权值，生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照，得到相应语义预测，解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题，提高了语义预测结果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。