郑忠明



摘 要 利用高斯模糊和差分金字塔生成图像的方法增强数据,同等数量原始样本条件下,提升了识别效率。采用异构计算支持FPGA板卡,对上述方法进行实现,进而形成了一套深度学习训练样本集生成系统。
关键词 电力线巡检;图像识别;样本增强
1背景
电力线巡检应用中,采用直升机或者依托无人机携带光学摄像设备进行巡视已经得到普遍应用。在巡线过程中,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,如何在巡线中准确识别这些问题也是一个挑战。另外,存在故障的节点毕竟是少数,很难得到大量图片供深度学习训练使用,采用数据增强丰富训练集就成了一个必要的补充手段。所谓的数据增强( Data Augmentation )方法是指利用平移 、缩放、颜色等变躁,人工增大训练集样本的个数,从而获得充足的训练数据[1],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(Random Crop or Pad),色彩抖动(Color jittering),加噪声(Noise)等等。
2技术方案
2.1 基本思路
基于高斯金字塔和拉普拉斯金字塔进行数据增强的方法流程如下:
2.2 实现方法
以一个1024×1024的图像为例,构建高斯金字塔。原则上,本方案设定128×128为最小输入图像。在电力巡线应用中,过小的图像没有工程意义。
第一组的第一层为原图像,然后将图像做一次高斯模糊,高斯平滑里有一个参数δ,δ值为1.6 。然后将δ乘一个比例系数k(k=1.2)作为新的平滑因子来平滑第一组第二层得到第三层,重复若干次,得到L层(L为6)他们分别对应的平滑参数为:0,δ,kδ,k2δ,k3δ, k4δ。……