1.本发明涉及电力线维护技术领域，尤其涉及一种电力线路缺陷库构建方法及系统。
背景技术：2.架空输电线路一般长达几公里到几百公里。在这样狭长的范围内，线路设备长期露置在大自然的环境中运行，遭受各种气候条件的侵袭(如暴风雨、洪水冲刷、冰雪封冻、云雾、污秽、雷击等)；此外，还受有其它的外力破坏(如农田耕种机械撞击杆塔或拉线基础，树竹倾倒碰撞导线，线路附近修建施工取土，开山爆破，射击，来往车辆及吊车等撞断导线，风筝挂在导线上造成相间短路，鸟兽造成的接地短路等)。所有这些因素都随时地危及线路的安全运行。
3.因此线路出现故障的机会较多，而且一旦发生故障，需要较长时间才能修复送电，会造成程度不同的损失。为了保证线路的安全运行，在线路运行过程中，必须贯彻安全第一，预防为主的方针，加强线路的巡视和检查，随时发现设备的缺陷和危及线路安全运行的因素，以便及时检修消除隐患，并制定安全措施。
4.线路巡检工作应运而生，所谓线路巡检，就是沿着线路详细巡视线路设备的运行情况，及时发现设备存在的缺陷和故障点，并详细记录，以作为线路检修的依据。
5.现有技术中，线路巡检工作依赖于人的经验，且重复性、高强度工作在所难免，基于此，有必要开发设计出一种缺陷库，用于丰富现有的线路巡检经验，将巡检经验数据化、可视化，从而为开发自动化巡检系统，提供了可能。
6.基于此，需要开发设计出一种电力线路缺陷库构建方法及系统。
技术实现要素：7.本发明实施方式提供了一种电力线路缺陷库构建方法及系统，用于解决现有技术中缺陷库样本少的问题。
8.第一方面，本发明实施方式提供了一种电力线路缺陷库构建方法，包括：
9.获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；
10.根据多个图片集提取生成多个特征集以及将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果符合预定条件；
11.通过所述扩充模型生成多个扩充特征；
12.将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。
13.在一种可能实现的方式中，所述分类模型基于神经网络模型进行构建，包括：第一输入层、第一隐含层以及第一输出层，所述分类模型基于所述多个图片集进行训练，以达到预期的分类准确度；
14.所述分类模型的训练过程包括：
15.对所述多个图片集进行特征提取，获得多个特征集，其中，所述多个特征集与所述多个图片集相对应，所述多个图片集包括至少一个表征无电力线路缺陷的图片集；
16.将所述多个特征集中的特征分别输入到分类模型中，获取所述分类模型的多个输出值；
17.根据所述多个输出值以及所述多个特征集所表征的电力线路缺陷，对所述分类模型的参数进行调整，直至所述分类模型可以根据所述多个特征集中的特征确定电力线路的缺陷。
18.在一种可能实现的方式中，所述对所述多个图片集进行特征提取，获得多个特征集，包括：
19.对于所述多个图片集中的每个图片集，执行如下步骤：
20.根据第一公式获取多个数列作为多个特征，其中，所述多个数列基于图片集中的多个图片获取，数列与图片相对应，所述数列用于表征图片集中多个图片的边缘，所述第一公式为：
[0021][0022]
式中，ak为数列中的第k个元素，bn为图片的像素值，n为图片中像素的总数量，ω0为预先确定的最高频率常数，i为虚数单位，e为自然常数。
[0023]
在一种可能实现的方式中，所述分类模型用于分类出无缺陷状态以及多种缺陷状态，所述将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果符合预定条件，包括：
[0024]
构建扩充模型，其中，所述扩充模型基于神经网络模型构建，包括：第二输入层、第二隐含层以及第二输出层，其中，第二输出层设有多个输出节点，所述多个输出节点用于输出数列中的多个元素；
[0025]
随机数生成步骤：随机生成多个输入数列；
[0026]
将所述多个输入数列输入到所述扩充模型中，获取多个输出数列；
[0027]
将所述多个输出数列以及所述多个特征集中的特征，分别输入到所述分类模型中，获取所述分类模型分类结果中无缺陷状态的数量；
[0028]
若所述无缺陷状态的数量超过阈值，则调整所述扩充模型的参数，并跳转至所述随机数生成步骤。
[0029]
在一种可能实现的方式中，所述通过所述扩充模型生成多个扩充特征，包括：
[0030]
随机生成多个输入测试数列；
[0031]
将所述多个输入测试数列输入到所述扩充模型中，获取多个输出测试数列；
[0032]
根据所述多个输出测试数列以及第二公式，合成多个时域曲线，所述第二公式为：
[0033][0034]
式中，f(t)为对应输出测试数列的时域曲线，cm为输出测试数列中的第m个元素，m
为测试输出数列中元素的总数量，i为虚数单位，e为自然常数；
[0035]
对所述多个时域曲线进行采样并重建，获得多个重建图像；
[0036]
若所述多个重建图像中均包括有电力线路的缺陷，则将所述多个输出测试数列作为多个扩充特征。
[0037]
在一种可能实现的方式中，在所述根据多个图片集提取生成多个特征集之前，包括：
[0038]
对于多个图片集中的每个图片，执行如下步骤：
[0039]
将图片去色，获取灰度图；
[0040]
按照预定顺序提取灰度图中多个像素的数值，获得图片数列；
[0041]
将所述图片数列中的多个数值，按照第三公式进行归一化处理，所述第三公式为：
[0042][0043]
式中，b
′j为图片数列归一化后第j个元素，b
′j为图片数列归一化前第j个元素，b
min
为图片数列中归一化前最小的元素，b
max
为图片数列中归一化前最大的元素。
[0044]
第二方面，本发明实施方式提供了一种电力线路缺陷库构建装置，包括：
[0045]
图片集获取模块，用于获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；
[0046]
扩充模型参数调整模块，用于将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值，其中，多个特征集基于多个图片集提取生成；
[0047]
扩充模块，用于通过所述扩充模型生成多个扩充特征；
[0048]
以及，
[0049]
归类模块，用于将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。
[0050]
第三方面，本发明实施方式提供了一种服务器，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0051]
第四方面，本发明实施方式提供了一种缺陷库构建系统，所述缺陷库构建系统包括终端以及如第三方面所述的服务器；
[0052]
所述终端与所述服务器信号连接，所述终端用于采集电力线路的图片，并将所述电力线路的图片按照电力线路的状态加入到相应的图片集中，
[0053]
第五方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0054]
本发明实施方式与现有技术相比存在的有益效果是：
[0055]
本发明实施方式公开了的一种电力线路缺陷库构建方法，其首先，获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；然后，将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值，其中，多个特征集基于多个图片集提取生成；
接着，通过所述扩充模型生成多个扩充特征；最后，将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。本发明实施方式，其通过图片集获取特征集，基于特征集，构建一个分类模型，能够对不同特征进行分类，还设有一个与分类模型相配合使用的扩充模型，扩充模型随机生成模拟特征的数列，这些数列经过分类模型识别后，给出生成数列模拟缺陷特征的准确度，并根据这个准确度调整扩充模型，最终使得扩充模型能够生成缺陷特征，这些生成的缺陷特征，经过分类模型分类后，加入到通过图片提取的特征集中，实现对缺陷特征的扩容，本发明实施方式，通过较为少量的缺陷图片样本，生成较为大量的缺陷特征库，需要的缺陷图片样本少，生成的缺陷样本多，减少了获取缺陷图片样本的难度，减轻了构建缺陷库的工作量。
附图说明
[0056]
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述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方式，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。
[0057]
图1是本发明实施方式提供的电力线路缺陷库构建方法的流程图；
[0058]
图2是本发明实施方式提供的神经网络模型的功能框图；
[0059]
图3是本发明实施方式提供的电力线路缺陷库构建装置功能框图；
[0060]
图4是本发明实施方式提供的服务器功能框图。
具体实施方式
[0061]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0062]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
[0063]
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0064]
图1为本发明实施方式提供的电力线路缺陷库构建方法的流程图。
[0065]
如图1所示，其示出了本发明实施方式提供的电力线路缺陷库构建方法的实现流程图，详述如下：
[0066]
在步骤101中，获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片。
[0067]
在步骤102中，根据多个图片集提取生成多个特征集以及将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果符合预定条件。
[0068]
在一些实施方式中，所述分类模型基于神经网络模型进行构建，包括：第一输入层、第一隐含层以及第一输出层，所述分类模型基于所述多个图片集进行训练，以达到预期
的分类准确度，所述分类模型的训练过程包括：
[0069]
对所述多个图片集进行特征提取，获得多个特征集，其中，所述多个特征集与所述多个图片集相对应，所述多个图片集包括至少一个表征无电力线路缺陷的图片集；
[0070]
将所述多个特征集中的特征分别输入到分类模型中，获取所述分类模型的多个输出值；
[0071]
根据所述多个输出值以及所述多个特征集所表征的电力线路缺陷，对所述分类模型的参数进行调整，直至所述分类模型可以根据所述多个特征集中的特征确定电力线路的缺陷。
[0072]
在一些实施方式中，对所述多个图片集进行特征提取，获得多个特征集，包括：
[0073]
对于所述多个图片集中的每个图片集，执行如下步骤：
[0074]
根据第一公式获取多个数列作为多个特征，其中，所述多个数列基于图片集中的多个图片获取，数列与图片相对应，所述数列用于表征图片集中多个图片的边缘，所述第一公式为：
[0075][0076]
式中，ak为数列中的第k个元素，bn为图片的像素值，n为图片中像素的总数量，ω0为预先确定的最高频率常数，i为虚数单位，e为自然常数。
[0077]
示例性地，多个图片集基于电力线路状态构建，例如，一种应用场景中，包括有正常状态的电力线图片集、绝缘层脱落的电力线图片集以及附着有异物的电力线图片集。
[0078]
对于电力线路缺陷库的构建而言，如果通过拍摄大量的缺陷图片作为缺陷库，用于比对巡检过程中采集的图片的话，那么这些缺陷图片的获取需要付出海量的工作，此外，还有可能出现一些未采集到的电力线的缺陷图片(例如，即为罕见的被雷电集中的电力线)，因此，有必要通过技术手段，获取缺陷的共同特征，并基于共同特征，构建一个缺陷库，也就是说在现有的缺陷图片上，提取缺陷特征，并对这些缺陷特征进行扩容。
[0079]
本发明采用的是双神经网络对抗式扩容，具体来说，就是一个神经网络作为分类模型，用于找出特征对应的缺陷。而另一个神经网络作为扩充模型，用于根据一定的规律，产生出特征，这些产生的特征如果能够通过分类模型的分类结果，那么就将这些产生的特征按照分类结果，加入到现有的特征中，实现对缺陷特征的扩容。
[0080]
图2示出了一种典型的人工神经网络结构，其包括有输入层、隐含层以及输出层，输入层节点输入的数据，经过与权重系数w
ij
权重系相乘后输入到隐含层的神经元uj中，获得的结果，再经过权重系数w’jk
相乘后，输出到输出节点u’k
中。对于神经网络的训练是对应输入节点数据的结果与输出节点输出结果的偏差，通过迭代的方式，修改权重系数w
ij
和w’jk
结果，使得输入节点和输出节点的关系，符合输入数据和对应书输入数据的结果之间的规律，也就是通过迭代，改变神经网络拟合样本的过程。
[0081]
本发明实施方式中，分类模型是将图片的特征作为输入，输入到输入层的节点中，神经网络输出层的输出与图片表征的缺陷之间的偏差，指导修改分类模型的各个权重，直到分类模型可以根据特征确定缺陷。
[0082]
在图像特征的提取方面，可以有多种实施方式，例如可以通过识别模型，识别图像
特征，本发明实施方式采用的是提取图像不同深度层次的边界。
[0083]
首先，将图片数列化，也就是按照一定的顺序，获取图片中各个像素的数值进行排列，然后，将这些数值输入到公式中，就获得了不同层次边界的系数，这些系数就说明这个层次的边界的特征量，公式如下：
[0084][0085]
式中，ak为数列中的第k个元素，bn为图片的像素值，n为图片中像素的总数量，ω0为预先确定的最高频率常数，i为虚数单位，e为自然常数。
[0086]
分类模型用于分类出无缺陷状态以及多种缺陷状态，步骤102包括：
[0087]
构建扩充模型，其中，所述扩充模型基于神经网络模型构建，包括：第二输入层、第二隐含层以及第二输出层，其中，第二输出层设有多个输出节点，所述多个输出节点用于输出数列中的多个元素；
[0088]
随机数生成步骤：随机生成多个输入数列；
[0089]
将所述多个输入数列输入到所述扩充模型中，获取多个输出数列；
[0090]
将所述多个输出数列以及所述多个特征集中的特征，分别输入到所述分类模型中，获取所述分类模型分类结果中无缺陷状态的数量；
[0091]
若所述无缺陷状态的数量超过阈值，则调整所述扩充模型的参数，并跳转至所述随机数生成步骤。
[0092]
示例性地，如前所述，扩充模型也是基于神经网络进行构建，该扩充模型接收随机数列的输入，输出输出数列，输出的数列与通过图片提取的特征数列一并送入到分类模型中，分类模型会给出一个分类结果，如果分类结果中包含的无缺陷状态的特征数量远大于基于图片提取的特征中，无缺陷状态的数量，则说明，扩充模型生成的特征中包含有大量的无缺陷的特征，也就说扩充模型扩充效果不佳，因此，要对扩充模型的参数进行调整，然后，在进行下一轮的数列生成步骤，如此往复，直到扩充模型生成的数列，“欺骗”过了分类模型，使得分类模型认为扩充模型输出的数列是表征缺陷的特征，此时，扩充模型就训练成功。
[0093]
在步骤103中，通过所述扩充模型生成多个扩充特征。
[0094]
在一些实施方式中，步骤103包括：
[0095]
随机生成多个输入测试数列；
[0096]
将所述多个输入测试数列输入到所述扩充模型中，获取多个输出测试数列；
[0097]
根据所述多个输出测试数列以及第二公式，合成多个时域曲线，所述第二公式为：
[0098][0099]
式中，f(t)为对应输出测试数列的时域曲线，cm为输出测试数列中的第m个元素，m为测试输出数列中元素的总数量，i为虚数单位，e为自然常数；
[0100]
对所述多个时域曲线进行采样并重建，获得多个重建图像；
[0101]
若所述多个重建图像中均包括有电力线路的缺陷，则将所述多个输出测试数列作
为多个扩充特征。
[0102]
示例性地，如我们所知，如果生成的数列可以通过分类模型，我们最好还要经过进一步的验证，例如，将这些分类模型生成的数列，通过重建的方式，绘制出一个图像，人工分析这个图像是否包含有缺陷。
[0103]
因此，在通过扩充模型生成数列后，由于数列表征不同层次图像的边缘，因此，需要通过特征数列，还原图像波形曲线，应用第二公式：
[0104][0105]
式中，f(t)为对应输出测试数列的时域曲线，cm为输出测试数列中的第m个元素，m为测试输出数列中元素的总数量，i为虚数单位，e为自然常数。
[0106]
就可以获得时域曲线，这个曲线表征图像各个像素数值的排列规律。从这个曲线中采样，按照一定的规律排列成矩阵的形式，就获得了重建的图像，如果这个重建的图像包括有电力线的缺陷，那么，就可以将这些通过扩充模型获得的特征，加入到通过图像获取的特征中。
[0107]
在步骤104中，将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。
[0108]
示例性地，经过上述步骤获取的扩充特征，就可以根据分类模型的分类结果，加入到相应的特征集中。
[0109]
此外，需要说明的是，在一些应用场景中，在提取图像的特征之前，还包括去色、归一化步骤，以使得数据更容易处理，一种归一化的公式为：
[0110][0111]
式中，b
′j为图片数列归一化后第j个元素，b
′j为图片数列归一化前第j个元素，b
min
为图片数列中归一化前最小的元素，b
max
为图片数列中归一化前最大的元素。
[0112]
本发明电力线路缺陷库构建方法实施方式，其首先，获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；然后，将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值，其中，多个特征集基于多个图片集提取生成；接着，通过所述扩充模型生成多个扩充特征；最后，将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。本发明实施方式，其通过图片集获取特征集，基于特征集，构建一个分类模型，能够对不同特征进行分类，还设有一个与分类模型相配合使用的扩充模型，扩充模型随机生成模拟特征的数列，这些数列经过分类模型识别后，给出生成数列模拟缺陷特征的准确度，并根据这个准确度调整扩充模型，最终使得扩充模型能够生成缺陷特征，这些生成的缺陷特征，经过分类模型分类后，加入到通过图片提取的特征集中，实现对缺陷特征的扩容，本发明实施方式，通过较为少量的缺陷图片样本，生成较为大量的缺陷特征库，需要的缺陷图片样本少，生成的缺陷样本多，减少了获取缺陷图片样本的难度，减轻了构建缺陷库的工作量。
[0113]
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过
程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
[0114]
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
[0115]
图3是本发明实施方式提供的电力线路缺陷库构建装置功能框图，参照图3，电力线路缺陷库构建装置3包括：图片集获取模块301、扩充模型参数调整模块302、扩充模块303以及归类模块304。
[0116]
图片集获取模块301，用于获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；
[0117]
扩充模型参数调整模块302，用于将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值，其中，多个特征集基于多个图片集提取生成；
[0118]
扩充模块303，用于通过所述扩充模型生成多个扩充特征；
[0119]
归类模块304，用于将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。
[0120]
图4是本发明实施方式提供的终端的功能框图。如图4所示，该实施方式的服务器4包括：处理器400和存储器401，所述存储器401中存储有可在所述处理器400上运行的计算机程序402。所述处理器400执行所述计算机程序402时实现上述各个电力线路缺陷库构建方法及实施方式中的步骤，例如图1所示的步骤101至步骤104。
[0121]
在一些缺陷库构建系统中，包括有终端以及如图4所示的服务器4，所述终端与所述服务器4信号连接，所述终端用于采集电力线路的图片，并将所述电力线路的图片按照电力线路的状态加入到相应的图片集中。
[0122]
示例性的，所述计算机程序402可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器401中，并由所述处理器400执行，以完成本发明。
[0123]
所述服务器4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括，但不仅限于，处理器400、存储器401。本领域技术人员可以理解，图4仅仅是服务器4的示例，并不构成对服务器4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
[0124]
所称处理器400可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0125]
所述存储器401可以是所述服务器4的内部存储单元，例如服务器4的硬盘或内存。所述存储器401也可以是所述服务器4的外部存储设备，例如所述服务器4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器401还可以既包括所述服务器4的内部存储单元也
包括外部存储设备。所述存储器401用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
[0126]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
[0127]
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
[0128]
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0129]
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0130]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0131]
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0132]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0133]
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。
技术特征：1.一种电力线路缺陷库构建方法，其特征在于，包括：获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；根据多个图片集提取生成多个特征集以及将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果符合预定条件；通过所述扩充模型生成多个扩充特征；将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。2.根据权利要求1所述的电力线路缺陷库构建方法，其特征在于，所述分类模型基于神经网络模型进行构建，包括：第一输入层、第一隐含层以及第一输出层，所述分类模型基于所述多个图片集进行训练，以达到预期的分类准确度；所述分类模型的训练过程包括：对所述多个图片集进行特征提取，获得多个特征集，其中，所述多个特征集与所述多个图片集相对应，所述多个图片集包括至少一个表征无电力线路缺陷的图片集；将所述多个特征集中的特征分别输入到分类模型中，获取所述分类模型的多个输出值；根据所述多个输出值以及所述多个特征集所表征的电力线路缺陷，对所述分类模型的参数进行调整，直至所述分类模型可以根据所述多个特征集中的特征确定电力线路的缺陷。3.根据权利要求2所述的电力线路缺陷库构建方法，其特征在于，所述对所述多个图片集进行特征提取，获得多个特征集，包括：对于所述多个图片集中的每个图片集，执行如下步骤：根据第一公式获取多个数列作为多个特征，其中，所述多个数列基于图片集中的多个图片获取，数列与图片相对应，所述数列用于表征图片集中多个图片的边缘，所述第一公式为：式中，a
k
为数列中的第k个元素，b
n
为图片的像素值，n为图片中像素的总数量，ω0为预先确定的最高频率常数，i为虚数单位，e为自然常数。4.根据权利要求1所述的电力线路缺陷库构建方法，其特征在于，所述分类模型用于分类出无缺陷状态以及多种缺陷状态；所述将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果符合预定条件，包括：构建扩充模型，其中，所述扩充模型基于神经网络模型构建，包括：第二输入层、第二隐含层以及第二输出层，其中，第二输出层设有多个输出节点，所述多个输出节点用于输出数列中的多个元素；随机数生成步骤：随机生成多个输入数列；将所述多个输入数列输入到所述扩充模型中，获取多个输出数列；
将所述多个输出数列以及所述多个特征集中的特征，分别输入到所述分类模型中，获取所述分类模型分类结果中无缺陷状态的数量；若所述无缺陷状态的数量超过阈值，则调整所述扩充模型的参数，并跳转至所述随机数生成步骤。5.根据权利要求1所述的电力线路缺陷库构建方法，其特征在于，所述通过所述扩充模型生成多个扩充特征，包括：随机生成多个输入测试数列；将所述多个输入测试数列输入到所述扩充模型中，获取多个输出测试数列；根据所述多个输出测试数列以及第二公式，合成多个时域曲线，所述第二公式为：式中，f(t)为对应输出测试数列的时域曲线，c
m
为输出测试数列中的第m个元素，m为测试输出数列中元素的总数量，i为虚数单位，e为自然常数；对所述多个时域曲线进行采样并重建，获得多个重建图像；若所述多个重建图像中均包括有电力线路的缺陷，则将所述多个输出测试数列作为多个扩充特征。6.根据权利要求1-5任一项所述的电力线路缺陷库构建方法，其特征在于，在所述根据多个图片集提取生成多个特征集之前，包括：对于多个图片集中的每个图片，执行如下步骤：将图片去色，获取灰度图；按照预定顺序提取灰度图中多个像素的数值，获得图片数列；将所述图片数列中的多个数值，按照第三公式进行归一化处理，所述第三公式为：式中，b
′
j
为图片数列归一化后第j个元素，b
′
j
为图片数列归一化前第j个元素，b
min
为图片数列中归一化前最小的元素，b
max
为图片数列中归一化前最大的元素。7.一种电力线路缺陷库构建装置，其特征在于，包括：图片集获取模块，用于获取多个图片集，其中，图片集包括有多个表征同一电力线路状态的图片；扩充模型参数调整模块，用于将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值，其中，多个特征集基于多个图片集提取生成；扩充模块，用于通过所述扩充模型生成多个扩充特征；以及，归类模块，用于将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。8.一种服务器，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中
任一项所述方法的步骤。9.一种缺陷库构建系统，其特征在于，所述缺陷库构建系统包括终端以及如权利要求8所述的服务器；所述终端与所述服务器信号连接，所述终端用于采集电力线路的图片，并将所述电力线路的图片按照电力线路的状态加入到相应的图片集中。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述方法的步骤。
技术总结本发明涉及电力线维护技术领域，尤其涉及一种电力线路缺陷库构建方法及系统，本发明方法首先获取多个图片集，图片集包括有多个表征同一电力线路状态的图片；再将多个特征集以及扩充模型生成的多个特征送入到分类模型中，根据所述分类模型的输出调整所述扩充模型的参数，直至所述分类模型的分类结果低于阈值；接着，通过所述扩充模型生成多个扩充特征；最后，将所述多个扩充特征送入到所述分类模型中，根据所述分类模型的分类结果，将所述多个扩充特征加入到所述多个特征集。本发明实施方式通过较为少量的缺陷图片样本，生成较为大量的缺陷特征库，需要的缺陷图片样本少，生成的缺陷样本多，减轻了构建缺陷库的工作量。减轻了构建缺陷库的工作量。减轻了构建缺陷库的工作量。
技术研发人员：李宁 程旭 梁河雷 卢景才 刘兆威 高冰 张康 田志 朱文才 侯乃谦
受保护的技术使用者：国家电网有限公司
技术研发日：2022.08.09
技术公布日：2022/12/2
