本发明专利技术公开了基于神经网络的电力巡线图像自动识别方法及系统,方法包括,1)获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;2)得到的特征向量组,将输入图像依次应用该特征向量组中的特征向量,得到目标类型和目标位置的选框的数字描述;3)通过对目标输入图片进行卷积操作得到目标物体、目标位置的选框,并得到置信度最高的预期被圈选的物体和位置。通过建立端到端的训练模型,达到自动识别图像中的目标物体,基于神经网络实现电力巡线图像自动识别,提高效率。
【技术实现步骤摘要】
本专利技术涉及电力巡线、图像处理领域,特别涉及基于神经网络的电力巡线图像自动识别方法、装置。
技术介绍
由于国内的电网规模不断扩大,长距离输电线路,如特(超)高压线路增长迅速。而很多输电线路分布在崇山峻岭之间,导致传统的人工巡线受地形环境、人员素质、天气状况等不确定因素的影响,效率低,复巡周期长,巡检数据准确率不高。因此,近年来国内开始逐步发展直升机智能巡检技术,可以不受地理环境的约束,极大的提高了效率。同时由于直升机巡线时的独特视野和多种先进机载巡线设备的使用,能够对输电线路器材作近距离观测,清晰记录下线路的缺陷,巡检质量也得到了一定的提高。随着无人机航拍技术的发展,遥感技术的不断成熟,可以利用无人机获取极为清晰的数据,并且根据数据进行分析电路情况,这与人工巡检相比,完全是从手动流转向了技术流的节奏。而随之而来的是时间的节约,人们不用浪费大量的时间在巡线的途中,节约下来的时间就完全可以用到真正的线路维护上去,线路安全也将得到提高。但是不论是直升机还是无人机检测,还是存在下述的问题:对采集照片中存在的问题的判断方式是人力为主,这种方式即时性差,难以长期工作,长时工作会导致效率进一步下降,错误率提升。而传统的物体中兴趣物体的识别算法,如SelectiveSearch算法。这些算法的主要缺点在于判别方法过于简单但计算逻辑复杂,导致识别准确性差,并且计算速度较慢(随图片尺寸提高、色彩差异降低,算法运行的时间呈指数上升,但准确率却是急剧下降)。并且采用上述算法很难有显著的效率的提升,在降低计算时间或者提高准确度方面,都很难做到突破。
技术实现思路
本专利技术要解决的技术问题是,通过建立端到端的训练模型,达到自动识别图像中的目标物体,基于神经网络实现电力巡线图像自动识别,提高效率。解决上述技术问题,本专利技术提供了一种基于神经网络的电力巡线图像自动识别方法,其特征在于,包括如下步骤:1)获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;1-1)在所述卷积神经网络中的通过卷积滤波器对特征图像FeatureMap进行卷积,得到特征分量;1-2)根据非线性响应函数进行采样,得到特征响应;1-3)对步骤1-1)~1-2)进行递归,提取得到预期被圈选物体的高层特征,及对应特征的加权值;1-4)根据得到的高层特征,对所有高层特征加权求和,得到特征向量组;2)利用1-4)得到的特征向量组,将输入图像依次应用该特征向量组中的特征向量,得到目标类型和目标位置的选框的数字描述;3)通过对目标输入图片进行卷积操作得到目标物体、目标位置的选框,并得到置信度最高的预期被圈选的物体和位置。更进一步,在所述步骤1)中包括如下的预处理步骤:将图像的像素信息直接转换为数值数据输入神经网络。更进一步,所述步骤1-1)中的特征分量为一组线性相关或线性无关二维向量组,通过在所述卷积神经网络进行学习并更新。更进一步,所述步骤1-2)中的特征响应进一步包括:将所述特征向量经过激活函数后得到的向量组。更进一步,所述激活函数包括:S函数、指数函数、幂函数。更进一步,通过多个不同的特征图像进行卷积操作后得到的高层特征加权求和即为特征向量组。更进一步,在所述步骤2)中还包括:根据上一步得到的特征向量组,将目标输入图片按照同样的方式输入所述神经网络,并计算出该图像的特征向量组,对训练得到的特征向量组与所述目标输入图片经过计算后得到的特征向量组进行比对。基于上述本专利技术还提供了一种电力巡线图像自动识别系统,包括:预处理单元,用以获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;神经网络模型单元,用以在所述卷积神经网络中的通过卷积滤波器对特征图像FeatureMap进行卷积,得到特征分量;根据非线性响应函数进行采样,得到特征响应;以及进行递归后,提取得到预期被圈选物体的高层特征,及对应特征的加权值;根据得到的高层特征,对所有高层特征加权求和,得到特征向量组;还用以通过得到的特征向量组,将输入图像依次应用该特征向量组中的特征向量,得到目标类型和目标位置的选框的数字描述;神经网络输出单元,用以通过对目标输入图片进行卷积操作得到目标物体、目标位置的选框,并得到置信度最高的预期被圈选的物体和位置。更进一步,还包括测试模型单元,用以在所述神经网络输出单元输出的不能达到预期要求,则调整数据数量、质量,进行数据重新采集和标注;同时,修改神经网络模型。更进一步,所述预处理单元还用以对输入图像进行调整尺寸、切割的预处理,用以得到可进行预测和标注操作的目标输入图片本专利技术的有益效果:1)采用本专利技术的基于神经网络的电力巡线图像自动识别方法,简化了训练过程,提高了执行速度,并且提高了检测的准确率。软件上,由于使用了端到端的训练方法,整个过程只需要神经网络,简化了训练过程。硬件上,由于可以用市售的图形加速卡进行计算加速,提高了运算速度,能满足电力巡线的工程上一些特殊的需要。2)由于自动识别方法本身是纯基于神经网络的,其中算法的先进性使得对于电力巡线图像进行检测时的错误率(包括漏检率,误检率)降低。3)本专利技术中的基于神经网络的电力巡线图像自动识别系统,通过简化训练过程,提高了执行速度,从而在客户端的计算机不会因为长时间工作而导致准确率、效率下降。附图说明图1是本专利技术一实施例中的基于神经网络的电力巡线图像自动识别方法流程示意图。图2是本专利技术一实施例中的基于神经网络的电力巡线图像自动识别系统结构示意图。图3是是本专利技术基于神经网络的电力巡线图像自动识别方法的优选示意图。具体实施方式为使本专利技术的目的、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,对本专利技术进一步详细说明。图1是本专利技术一实施例中的基于神经网络的电力巡线图像自动识别方法流程示意图。在本实施例中的基于神经网络的电力巡线图像自动识别方法,包括如下步骤:步骤S1获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;本领域技术人员能够明了,所述卷积神经网络,包括但不限于:由一些滤波器组和一些非线性响应函数构成网络中的层;网络中的每个层又用于筛选和匹配一个层次的特征。在所述步骤S1中包括如下的预处理步骤:将图像的像素信息直接转换为数值数据输入神经网络。步骤S1-1在所述卷积神经网络中的通过卷积滤波器对特征图像FeatureMap进行卷积,得到特征分量;所述步骤S1-1中的特征分量为一组线性相关或线性无关二维向量组,通过在所述卷积神经网络进行学习并更新。步骤S1-2根据非线性响应函数进行采样,得到特征响应;所述步骤S1-2中的特征响应进一步包括:将所述特征向量经过激活函数后得到的向量组。所述激活函数包括:S函数、指数函数、幂函数。步骤S1-3对步骤步骤S1-1~步骤S1-2进行递归,提取得到预期被圈选物体的高层特征,及对应特征的加权值;步骤S1-4根据得到的高层特征,对所有高层特征加权求和,得到特征向量组;在上述卷积网络运行过程中,每个卷积层与输入图像卷积后,提取出各个特征的分量;提取后再用非线性响应函数处理,得到这一层的特征响应。将该特征响应以同样的方式输入下一层,递归地提取特征。卷积神经网络能够提取图像中很高层次的特征,比如人,车。这些特征按不同滤波器的输出组合到一个特征向量的不同维度上,形成特征向量图本文档来自技高网...
【技术保护点】
基于神经网络的电力巡线图像自动识别方法,其特征在于,包括如下步骤:1)获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;1‑1)在所述卷积神经网络中的通过卷积滤波器对特征图像Feature Map进行卷积,得到特征分量;1‑2)根据非线性响应函数进行采样,得到特征响应;1‑3)对步骤1‑1)~1‑2)进行递归,提取得到预期被圈选物体的高层特征,及对应特征的加权值;1‑4)根据得到的高层特征,对所有高层特征加权求和,得到特征向量组;2)利用1‑4)得到的特征向量组,将输入图像依次应用该特征向量组中的特征向量,得到目标类型和目标位置的选框的数字描述;3)通过对目标输入图片进行卷积操作得到目标物体、目标位置的选框,并得到置信度最高的预期被圈选的物体和位置。
【技术特征摘要】
1.基于神经网络的电力巡线图像自动识别方法,其特征在于,包括如下步骤:1)获取电力巡线时采集的输入图像,将所述输入图像输入到卷积神经网络;1-1)在所述卷积神经网络中的通过卷积滤波器对特征图像FeatureMap进行卷积,得到特征分量;1-2)根据非线性响应函数进行采样,得到特征响应;1-3)对步骤1-1)~1-2)进行递归,提取得到预期被圈选物体的高层特征,及对应特征的加权值;1-4)根据得到的高层特征,对所有高层特征加权求和,得到特征向量组;2)利用1-4)得到的特征向量组,将输入图像依次应用该特征向量组中的特征向量,得到目标类型和目标位置的选框的数字描述;3)通过对目标输入图片进行卷积操作得到目标物体、目标位置的选框,并得到置信度最高的预期被圈选的物体和位置。2.根据权利要求1所述的电力巡线图像自动识别方法,其特征在于,在所述步骤1)中包括如下的预处理步骤:将图像的像素信息直接转换为数值数据输入神经网络。3.根据权利要求1所述的电力巡线图像自动识别方法,其特征在于,所述步骤1-1)中的特征分量为一组线性相关或线性无关二维向量组,通过在所述卷积神经网络进行学习并更新。4.根据权利要求1所述的电力巡线图像自动识别方法,其特征在于,所述步骤1-2)中的特征响应进一步包括:将所述特征向量经过激活函数后得到的向量组。5.根据权利要求4所述的电力巡线图像自动识别方法,其特征在于,所述激活函数包括:S函数、指数函数、幂函数。6.根据权利要求1所述的电力巡线图像自动识别方法,其特征在于,通过多个不同的特征图像进行卷积...
【专利技术属性】
技术研发人员:王弘尧,王汉洋,刘鑫,林宏健,苏可元,
申请(专利权)人:北京每刻风物科技有限公司,王汉洋,王弘尧,林宏健,苏可元,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。