一种输电通道目标物辨识方法及系统技术方案

本公开提出了一种输电通道目标物辨识方法及系统，包括：获取含有需要辨识的目标物的图像并作为训练集图像；对训练集图像进行不同目标物的标注；构建图像辨识深度学习网络，将标注后的图像输入该网络中，根据不同的目标物寻求最优网络参数，完成图像训练；将待测图像传输至训练后图像辨识深度学习网络，识别出图像中的目标物。在维持小计算量的情况下增加网络层数，提高了计算速度。

【技术实现步骤摘要】
一种输电通道目标物辨识方法及系统
本公开属于图像识别
，尤其涉及一种输电通道目标物辨识方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。高压输电线路是输送电能的主要设备，是电力系统的重要组成部分。输电线路一般需要穿越复杂的地理环境，并且线路本身结构比较复杂，一旦输电线路通道出现故障，将对电力系统稳定性产生恶劣的影响。因此，输电通道危物目标检测至关重要。专利技术人在研究中发现，传统的输电通道危物检测主要依靠人工现场巡线，该方式受天气、地理环境、人员配备等因素限制，效率低、工作量大、安全性差。目前，输电线路图像在线监测系统已大规模应用，通过图像监测、无人机巡检技术来替代人工现场巡视，大大提高了检修工作的效率。但也产生了新的问题，海量的图片基本处于搁置状态，无法发挥其输电通道危物目标监测预警的实际作用。早期对输电线路通道的危物识别主要是基于图像处理技术。这类技术多是通过检测目标边缘轮廓进行识别，这类处理技术在实际应用中容易受到天气、环境、光照等影响，准确性和有效性受限。
技术实现思路
为克服上述现有技术的不足，本公开提供了一种输电通道目标物辨识方法，实现输电通道目标物准确识别。为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：一方面，公开了一种输电通道目标物辨识方法，包括：获取含有需要辨识的目标物的图像并作为训练集图像；对训练集图像进行不同目标物的标注；构建图像辨识深度学习网络，将标注后的图像输入该网络中，根据不同的目标物寻求最优网络参数，完成图像训练；将待测图像传输至训练后图像辨识深度学习网络，识别出图像中的目标物。进一步的技术方案，所述图像辨识深度学习网络通过Depthwise和Pointwise两个步骤得到卷积层；Depthwise对于不同输入通道采取不同的卷积核进行卷积，卷积核和通道是一一对应的，再通过Pointwise卷积完成对Depthwise输出特征图的整合。进一步的技术方案，采用交并比聚类算法对标注后的图像进行聚类，以产生的候选框与原标记框的交叠率，即它们的交集与并集的比值。进一步的技术方案，根据不同的目标物寻求最优参数：对每类目标物构建网络，设立初始学习率，衰减系数，训练迭代次数；将标注好的图像输入卷积神经网络中，监控图像分为RGB三色通道提取像素数据作为网络输入通过前向传播得到输出值，得到网络实际输出的边界框位置与种类结果；将网络实际输出结果与标注结果计算获得边界框回归损失函数和分类损失函数值，采用反向传播方法求取误差梯度，以损失函数最小化为目标对神经网络中的进行权值更新。另一方面，公开了一种输电通道目标物辨识系统，包括：训练集图像获取模块，获取含有需要辨识的目标物的图像并作为训练集图像；标注模块，对训练集图像进行目标物标注；图像训练模块，构建图像辨识深度学习网络，将标注后的图像输入该网络中，根据不同的目标物寻求最优网络参数，完成图像训练；识别模块，将待测图像传输至训练后图像辨识深度学习网络，识别出图像中的目标物。以上一个或多个技术方案存在以下有益效果：(1)本公开相对于YOLO模型，即使增加网络层数，计算量也相对较小。通过Depthwise和Pointwise两个步骤实现卷积层，其参数仅约为普通卷积的1/9，乘法计算量仅为普通卷积的1/c+1/9，其中c为输入通道数。(2)本公开提出的基于IOU聚类算法，确定目标物的位置，改进了FasterRCNN和SSD算法中需要手动验证边界尺寸的局限性，避免了异常目标尺寸的影响，进而提升目标检测精确度。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例整体流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
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公开的示例性实施方式。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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例一本实施例公开了一种输电通道目标物辨识方法，针对输电通道图像的特点，在维持小计算量的情况下增加网络层数，丰富特征映射模块，为预测层提供更精确的语义信息，同时提出一种交并比的迭代聚类算法，直接以IOU为度量的聚类方法避免了预测框大小造成损失不平衡的情况。提高了目标物的预测位置，实现输电通道目标物准确识别。本实施例提出的一种YOLOv3-MobileNet算法的输电通道目标物预警，采用交并比聚类算法，在维持小计算量的情况下增加网络层数，提高了计算速度。该算法是构建网络结构时设计，MobileNet只有1个卷积层和13个深度可分离卷积层。具体步骤包括：步骤一：构建图像训练集，选取输电通道需要辨识的目标物(吊车、悬挂物、山火)图像，完成训练集图像；步骤二：对步骤一中的训练集图像进行目标物标注，采用Labelme工具进行图像标注；实现丰富特征映射模块，为预测层提供更精确的语义信息；步骤三：构建图像辨识深度学习网络，根据训练结果，多次调整参数，直到损失值降到最低，完成图像训练；步骤四：根据不同的目标物寻求最优参数，判读目标物。步骤一构建图像训练集，选取输电通道需要辨识的目标物(吊车、悬挂物、山火)图像，完成训练集图像具体为：因电网现阶段已知安装监控设备1200台，以每天工作24小时、每半小时拍摄1张图像计算，一天整个监控系统能够获得约57600张图像，每月接近172万张。在监测图像中，有目标的约占到1/1000，首先需要从中筛选出目标物的图像，构成图像集。首先，采用哈希算法，进行图像过滤，过滤掉相似度评分超过90％的多余图像。相似度评分Sim(Q,I)定义如下,给定一个查询Q＝(Qvis,Qkey)，I＝(Ivis,Itext)为每个图像对象。查询Q与对象I之间的文本相似度被定义为Qkey在Itext出现的概率。其中，α∈[0,1]表示平衡参数，Qvis是视觉特征向量，Qkey是一组查询关键字，Ivis是视觉特征向量，Itext是文本注释。Dist(Qvis,Ivis)为特征向量Qvis、Qkey的哈希编码的曼哈顿距离。maxD,maxP分别为Dist(Qvis,Ivis)、P(Qkey/Itext)上界。其次，根据式子(1)-(2本文档来自技高网...

【技术保护点】
1.一种输电通道目标物辨识方法，其特征是，包括：/n获取含有需要辨识的目标物的图像并作为训练集图像；/n对训练集图像进行不同目标物的标注；/n构建图像辨识深度学习网络，将标注后的图像输入该网络中，根据不同的目标物寻求最优网络参数，完成图像训练；/n将待测图像传输至训练后图像辨识深度学习网络，识别出图像中的目标物。/n

【技术特征摘要】
1.一种输电通道目标物辨识方法，其特征是，包括：
获取含有需要辨识的目标物的图像并作为训练集图像；
对训练集图像进行不同目标物的标注；
构建图像辨识深度学习网络，将标注后的图像输入该网络中，根据不同的目标物寻求最优网络参数，完成图像训练；
将待测图像传输至训练后图像辨识深度学习网络，识别出图像中的目标物。


2.如权利要求1所述的一种输电通道目标物辨识方法，其特征是，所述图像辨识深度学习网络通过Depthwise和Pointwise两个步骤得到卷积层；
Depthwise对于不同输入通道采取不同的卷积核进行卷积，卷积核和通道是一一对应的，再通过Pointwise卷积完成对Depthwise输出特征图的整合。


3.如权利要求1所述的一种输电通道目标物辨识方法，其特征是，采用交并比聚类算法对标注后的图像进行聚类，以产生的候选框与原标记框的交叠率，即它们的交集与并集的比值。


4.如权利要求1所述的一种输电通道目标物辨识方法，其特征是，根据不同的目标物寻求最优参数：
对每类目标物构建网络，设立初始学习率，衰减系数，训练迭代次数；
将标注好的图像输入卷积神经网络中，监控图像分为RGB三色通道提取像素数据作为网络输入通过前向传播得到输出值，得到网络实际输出的边界框位置与种类结果；
将网络实际输出结果与标注结果计算获得边界框回归损失函数和分类损失函数值，采用反向传播方法求取误差梯度，以损失函数最小化为目标对...

【专利技术属性】
技术研发人员：穆晓辰，宁文波，王常欣，张冲，代桃桃，钱升，周学坤，李常勇，成如如，马超，贺文君，李冬冬，张正，
申请(专利权)人：国网山东省电力公司东营供电公司，国家电网有限公司，
类型：发明
国别省市：山东;37