一种基于图像切片的移动端输电线路鸟类检测方法技术

本发明专利技术公开了一种基于图像切片的移动端输电线路鸟类检测方法，采集不同情况下的现场输电线路图像，将图像和其切片进行编码标识；安装在杆塔固定位置的摄像头采集实时图像；将采集的实时图像与相应情况的原图模板进行相似度计算；若差值较大，则将实时图像进行切片，与对应切片模板逐片对比；若某切片差值较大，则进一步输入深度学习模型进行分类；若分类结果为存在鸟类，则启动驱鸟器；重复上述步骤，实现基于深度学习的鸟类检测。本发明专利技术将图像切片，将小目标信息进行放大之后再识别，在精度上有很大的提升，并且以更少的计算代价完成了鸟类的检测问题。

A bird detection method for mobile transmission line based on image slice

The invention discloses a mobile transmission line bird detection method based on image slice, which collects the field transmission line image under different conditions, encodes and marks the image and its slice, collects the real-time image by the camera installed in the fixed position of the pole tower, calculates the similarity between the collected real-time image and the original image template under corresponding conditions, if the difference is large, it will be real-time The image is sliced and compared with the corresponding slice template one by one; if a slice has a large difference, the depth learning model is further input for classification; if the classification result is that there are birds, the bird repeller is started; repeat the above steps to achieve bird detection based on depth learning. In the invention, the image is sliced and the small target information is amplified before recognition, which greatly improves the precision and completes the bird detection problem with less calculation cost.

【技术实现步骤摘要】
一种基于图像切片的移动端输电线路鸟类检测方法
本专利技术涉及一种输电线路鸟类检测方法，尤其涉及一种基于图像切片的移动端输电线路鸟类检测方法。
技术介绍
随着社会现代化的发展，社会对电力的需求以及电力供应的可靠性要求越来越高，电力系统的安全问题变得越来越重要。电力系统某个环节出错都将导致电力供应不足，而架空输电线路跳闸屡屡打破平衡，这已经成为破坏电力系统安全的重要因素。随着大家环保观念的加强和对鸟类认识的加深，为鸟类创造了越来越好的生活环境，鸟类的种群，数量和它们的活动范围都得到了空前规模的扩大；部分鸟类通过排粪污染绝缘子，鸟粪具有一定导电性，积污隐患易导致线路发生污闪跳闸，若鸟粪沿绝缘子边沿跌落，在靠近绝缘子串边沿处形成导电性通道，可诱发线路单相接地故障；而有些鸟类常在线路杆塔上筑巢，若遇大风，构建鸟巢的枝、叶等材料纷飞，可能接触导线造成线路故障；一些大鸟在架空线路设施周围穿越飞行，常会造成接地或相间短路故障。鸟害已经严重影响了电力系统的安全稳定运行。国内外在线路中对鸟害的防范研究已经持续多年，一些相对有效且易于推广的防鸟措施已经得到了广泛的应用，主要集中在驱鸟型、隔离型和引导型三类鸟害故障防治措施。但每种方法有其各自特点和适应性，驱鸟型装置原理上相对效果更好，但目前驱鸟型装置功能单一，设计上只对某些鸟类有效，因此研究对鸟类通用、有效的驱鸟装置研究势在必行。
技术实现思路
为了提高输电线路巡检的智能化水平，减少鸟类对输电线路造成的损害，本专利技术的目的是提供一种基于图像切片的移动端输电线路鸟类检测方法，采用一些智能的图像处理方法对现场图像进行检测，实时、精确地检测当前场景是否存在鸟类，根据实际情况决定是否启动驱鸟器。随着深度学习在计算机视觉领域的发展，本专利技术将深度学习引入到对鸟类图像的检测中。本专利技术的目的通过以下技术方案来实现：一种基于图像切片的移动端输电线路鸟类检测方法，包含以下步骤：步骤S1：建立比对模板库。比对模板库是特定场景特定时间不存在鸟的现场图片，因为用来采集图像的摄像头是安装在固定位置的，因此针对每个摄像头都有一套独立的模板库，此外，由于从早晨到晚上的光照变化，反映在图像上引起图像色彩、亮度的变化，因此需要在不同的时间段设置不同的对比模板。另外，本专利技术的思想首先是对图片进行切片，因此不仅原图需要对比模板，而且切片也应该设置对应的对比模板，因此对比模板库包括两类模板：原图对比模版和切片对比模版，每类模板还应根据光照变化设置不同的模板图片。步骤S2：图像采集。图像采集是采集输电线路的现场图像，由安装在杆塔固定位置的摄像头进行采集，进而通过本专利技术的方法判断图像中是否有鸟。步骤S3：原图对比。图像采集完成后，为了加快鸟类判断的效率，首先把采集的原图与相应时间段的原图模板进行对比，如果两图的相似度小于预设阈值，则进行步骤S4，否则，则认为该张图片没有鸟，流程结束。步骤S4：原图切块。因为原图和模板的相似度差值超过阈值，则认为原图中可能存在鸟，因为移动端计算资源较少，因此本专利技术采用对切片进行分类代替对原图的目标检测，因此该步骤需要对图像进行切片，即把原图划分成更小的区域。步骤S5：选择分块。原图切片完成后，需要选择一个分块判断是否有鸟，如果所有分块都已经被选过，则认为没有鸟，流程结束，否则进行步骤S6。步骤S6：分块对比。选择的分块首先需要与对应时间段内的分块模板进行对比，如果相似度小于预设阈值，则进行步骤S7，如果相似度大于阈值，则进行步骤S5；步骤S7：鸟类识别。切片与模板的相似度大于阈值，则认为该切片中可能包含鸟，那么就采用ResNet18对该切片进行分类操作，如果分类结果是有鸟，则启动驱鸟器，流程结束，如果分类结果为没鸟，则进行步骤S5。优选地，在步骤S7中，使用ImageNet对RestNet18模型进行预训练，使模型先学习到一定的目标检测能力，再使用步骤S1准备的原图模板库作为训练数据集输入RestNet18训练，使模型适应原图特征，最后再将训练好的模型用于鸟类检测。在电力输电线路鸟类数据集数量较少时，则使用迁移学习的思想，先使用公开数据集ImageNet在搭建好的模型中进行预训练，使模型学习到一定的图像分类能力，然后再使用电力输电线路鸟类数据集在模型中正式训练。本专利技术基本完成了在移动端对输电线路的鸟类检测工作，与传统的鸟类识别方法相比，该方法采用的深度学习轻量级ResNet18分类算法在精度上有很大的提升，与深度学习的目标检测算法相比，该方法的优势在于通过逐步对比判断，快速排除没鸟的情况，最重要的是采用分类算法大大减少了计算代价，使得基于深度学习的鸟类识别在低性能的移动端实现成为可能。本专利技术将图像切片，将小目标信息进行放大之后再识别，在精度上有很大的提升，对现场图像进行检测，实时、精确地检测当前场景是否存在鸟类，根据实际情况决定是否启动驱鸟器；可以指导驱鸟器的启停，避免驱鸟器一直启动的资源浪费，以及驱鸟器周期性启动的盲目性，实现了驱鸟器的低耗能、精准性驱鸟，为输电线路的稳定运行提供了可靠保证。附图说明图1是本专利技术实施例方法整体流程示意图。图2是本专利技术实施例中ResNet18残差模块图。图3是本专利技术实施例中ResNet18网络架构图。具体实施方式下面结合附图和实施例，对本专利技术作详细说明如下；如图1所示，本实施例方法的整体流程包括以下步骤；步骤S1：建立输电线路的鸟类数据集，比对模板库是一个图片库，包含特定场景特定时间不存在鸟的输电线路现场图片。由于采集图像的摄像头安装位置、角度固定，因此针对每个摄像头都有一套独立的比对模板库。为每个摄像头选取不同时段（上午、下午和夜晚）、不同天气（晴朗、雨天、大风天和阴天）和不同光照（阳光强烈、阳光正常和阴暗）的现场图像，优选背景清晰的现场图像，纳入比对模板库。对比对模板库中每张图像进行n×n等分切片，将该图像与该图像的切片的时段、日期等信息进行编码标识，便于后续查询比对；步骤S2：图像采集。由安装在杆塔的各个固定位置的摄像头采集现场图像，通过每次采集的一帧图像作为后续鸟类检测算法的输入信息，判断该时刻是否存在鸟类。步骤S3：原图对比。通过编码标识在比对模板库中查询到该时段的模板原图，将采集到的实时图像与模板原图进行对比，相似度计算的方法是计算所有像素点的像素值差值的均值，如果两者的相似度小于预设阈值0.9，说明现场情况变化较大，则进行步骤S4，否则，认为现场基本没发生明显变化，流程结束；步骤S4：原图切块。当采集到的实时图像与模板原图的相似度差值较大时，为了定位引起相似度差值变化的区域，将实时图像按n×n等分进行切块处理；步骤S5：选择分块。用滑动窗口的方式，以切片为单位，逐个选取每个切片进行步骤S6的处理，如果所有切片都已经进行过对比计算，则认为没有鸟，流程结束；步骤S6：分块对比。以切片为单位，查询对应的模板原图切片，进行切片相似度计算，计算方式和步骤S3本文档来自技高网...

【技术保护点】
1.一种基于图像切片的移动端输电线路鸟类检测方法，其特征在于，包含以下步骤：/n步骤S1：建立比对模板库；比对模板库是特定场景特定时间不存在鸟的现场图片，针对每个摄像头都有一套独立的模板库，对比模板库包括两类模板：原图对比模版和切片对比模版，每类模板根据光照变化设置不同的模板图片；/n步骤S2：图像采集；图像采集是采集输电线路的现场图像，由安装在杆塔固定位置的摄像头进行采集；/n步骤S3：原图对比；图像采集完成后，把采集的原图与相应时间段的原图模板进行对比，如果两图的相似度小于预设阈值，则进行步骤S4，否则，则认为该张图片没有鸟，流程结束；/n步骤S4：原图切块；因为原图和模板的相似度差值超过阈值，则认为原图中可能存在鸟，因此需要对图像进行切片，即把原图划分成更小的区域；/n步骤S5：选择分块；原图切片完成后，需要选择一个分块判断是否有鸟，如果所有分块都已经被选过，则认为没有鸟，流程结束，否则进行步骤S6；/n步骤S6：分块对比；选择的分块首先需要与对应时间段内的分块模板进行对比，如果相似度小于预设阈值，则进行步骤S7，如果相似度大于阈值，则进行步骤S5；/n步骤S7：鸟类识别；采用ResNet18对该切片进行分类操作，如果分类结果是有鸟，则启动驱鸟器，流程结束，如果分类结果为没鸟，则进行步骤S5。/n...

【技术特征摘要】
1.一种基于图像切片的移动端输电线路鸟类检测方法，其特征在于，包含以下步骤：
步骤S1：建立比对模板库；比对模板库是特定场景特定时间不存在鸟的现场图片，针对每个摄像头都有一套独立的模板库，对比模板库包括两类模板：原图对比模版和切片对比模版，每类模板根据光照变化设置不同的模板图片；
步骤S2：图像采集；图像采集是采集输电线路的现场图像，由安装在杆塔固定位置的摄像头进行采集；
步骤S3：原图对比；图像采集完成后，把采集的原图与相应时间段的原图模板进行对比，如果两图的相似度小于预设阈值，则进行步骤S4，否则，则认为该张图片没有鸟，流程结束；
步骤S4：原图切块；因为原图和模板的相似度差值超过阈值，则认为原图中可能存在鸟，因此需要对图像进行切片，即把原图划分成更小的区域；
步骤S5：选择分块；原图切片完成后，需要选择一个分块判断是否有鸟，如果所有分块都已经被选过，则认为没有鸟，流程结束，否则进行步骤S6；
步骤S6：分块对比；选择的分块首先需要与对应时间段内的分块模板进行对比，如果相似度小于预设阈值，则进行步骤S7，如果相似度大于阈值...

【专利技术属性】
技术研发人员：陈咏秋，孙凌卿，张永泽，
申请(专利权)人：国网江苏省电力有限公司，江苏电力信息技术有限公司，
类型：发明
国别省市：江苏;32