一种输电线路涉鸟故障相关鸟种图像识别方法技术

本发明专利技术公开了一种输电线路涉鸟故障相关鸟种图像识别方法，首先通过收集输电线路周围的鸟种信息，建立涉鸟故障相关鸟种图像数据库，基于类别激活图的方法对鸟种图像进行去背景预处理；然后，利用四种深度卷积神经网络建立学习模型，并通过ImageNet数据集对其进行预训练，对预训练后的模型网络结构进行微调，利用预处理后的鸟种图像训练集对微调后的模型进行重新训练，并对测试集进行分类识别；最后，根据四种网络模型的分类准确率，采用线性加权法建立一种融合多卷积网络的涉鸟故障相关鸟种图像识别模型，对鸟种图像进行分类识别。本发明专利技术能够为输电线路运维人员提供正确识鸟的方法手段，有助于实现渉鸟故障的差异化防治，降低渉鸟故障跳闸率。

【技术实现步骤摘要】
一种输电线路涉鸟故障相关鸟种图像识别方法
本专利技术涉及输电线路领域，具体涉及一种输电线路涉鸟故障相关鸟种图像识别方法。
技术介绍
随着电网的大规模建设与生态环境的改善，鸟类活动与输电线路的矛盾日益突出，渉鸟故障已成为线路跳闸的重要原因。由于渉鸟故障具有突发性，发生故障后往往无法判断是何种鸟类引起，难以针对性地加装防鸟措施。尽管电网运行单位已经统计出输电线路渉鸟故障相关鸟种名录及其可能引发的故障类型，但由于运维人员缺乏鸟类学知识，因此在巡线过程中虽然可以拍摄到活动在线路周围的鸟种，但是难以判断其是否会引起涉鸟故障及故障类型，从而无法开展差异化的防治工作。为解决此类问题，亟需一种输电线路涉鸟故障相关鸟种图像识别方法。目前针对输电线路相关鸟种图像识别研究主要局限于鸟类检测这种粗粒度的二分类问题，具体针对输电线路渉鸟故障危害鸟种的多分类识别研究较少，其原因在于巡线过程中采集到的鸟类图像数量有限，将其用于训练一个全新的网络容易出现泛化能力不足的问题，而采用特定鸟种图像数据集训练得到的网络又难以匹配涉鸟故障相关鸟种图像识别的任务。
技术实现思路
针对现有技术存在的问题，本专利技术的目的在于提供一种输电线路涉鸟故障相关鸟种图像识别方法，能够对渉鸟故障相关鸟种图像进行准确识别，为电网运维人员开展差异化防鸟提供参考依据。为实现上述目的，本专利技术提供如下技术方案：一种输电线路涉鸟故障相关鸟种图像识别方法，包括如下步骤：S1：收集输电线路渉鸟故障相关鸟种图像，建立包含N种鸟类的图像数据集，将鸟种图像分为训练集和测试集；S2：构建VGG16卷积神经网络模型，采用ImageNet数据库对其进行预训练，然后移去卷积层“conv5-3”后面的所有层，用一个“卷积+全局平均池化+全连接+输出”的结构替代原有的“pool5”—“prob”层，采用公开鸟种图像数据集对修改后的卷积模型进行训练，通过训练好的模型提取涉鸟故障相关鸟种图像的CAM类别激活图，利用类别激活图对鸟种图像进行去背景预处理，得到包含少量背景的鸟种图像；S3：采用AlexNet、VGG16、ResNet50和InceptionV3四种深度卷积神经网络建立学习模型，利用ImageNet数据集对网络模型进行预训练；S4：对预训练模型进行微调，通过模型迁移使其匹配涉鸟故障相关鸟种的图像识别任务，对于AlexNet和VGG16，将最后一个全连接层“fc8”的维数由原来的1×1000调整为1×N；对于ResNet50和InceptionV3，删除原网络中的最后3层“fc1000”、“fc1000_softmax”和“ClassificationLayer_fc1000”，以一个包含1×N的全连接层、1×N的softmax层以及N分类输出层的结构代替；S5：采用输电线路渉鸟故障相关鸟种图像训练集对微调后的四种深度卷积神经网络模型进行重新训练，利用训练好的网络模型对鸟种图像测试集进行分类识别，得到四种模型的分类准确率ai(i＝1,2,3,4)，根据计算四种网络结构对应的权重系数qi(i＝1,2,3,4)；S6：根据四种网络模型对应的权重系数，对其softmax层输出结果进行线性加权，构建一种融合多卷积神经网络的鸟种分类识别模型，模型的输出Sf为Sf＝q1SAlexNet+q2SVGG16+q3SResNet50+q4SInceptionV3，其中SAlexNet、SVGG16、SResNet50、SInceptionV3分别表示4种网络模型的softmax层输出结果；S7：利用融合多卷积神经网络模型对鸟种图像测试集进行分类识别，得到输电线路渉鸟故障相关鸟种图像的识别结果及准确率。进一步地，S2中利用类别激活图对鸟种图像进行去背景预处理，得到包含少量背景的鸟种图像，具体为对类别激活图进行迭代法全局阈值分割和最大连通区域提取，获取图像中的鸟种目标定位框，根据定位框尺寸裁剪得到预处理后的鸟种图像。本专利技术的有益效果是：本专利技术提供的一种基于融合多卷积神经网络模型的输电线路涉鸟故障相关鸟种图像识别方法，能够有效识别出危害输电线路安全运行的相关鸟种，具有较高的准确率和良好的泛化性能，克服了现有技术中的问题，能够为输电线路运维人员提供正确识鸟的方法手段，有助于实现渉鸟故障的差异化防治，降低渉鸟故障跳闸率。附图说明图1是本专利技术中的一种输电线路涉鸟故障相关鸟种图像识别方法流程图；图2是本专利技术实施例中基于类别激活图的鸟种图像预处理可视化流程图；图3是本专利技术实施例中输电线路渉鸟故障相关鸟种图像测试集的识别效果图。具体实施方式下面结合实施例对本专利技术做进一步的描述，有必要在此指出的是以下实施例只是用于对本专利技术进行进一步的说明，不能理解为对本专利技术保护范围的限制，该领域的技术熟练人员根据上述
技术实现思路
所做出的一些非本质的改进和调整，仍属于本专利技术的保护范围。以下对输电线路涉鸟故障相关鸟种图像的分类识别方法进行详细阐述，其流程图如图1所示，包括以下步骤：S1：根据电网统计的输电线路历史渉鸟故障信息，列出渉鸟故障相关鸟种名录，共计88种鸟类，收集电网运维人员拍摄的鸟类图像，并利用搜索引擎从网络资源上下载相关鸟种的图片，构建包含4390幅图像的样本库，按照7：3的比例从样本库中随机选取训练集和测试集。S2：构建VGG16卷积神经网络模型，采用ImageNet数据库对其进行预训练，然后移去卷积层“conv5-3”后面的所有层，用一个“卷积+全局平均池化+全连接+输出”的结构替代原有的“pool5”—“prob”层，得到CAM-VGG16模型。采用NABirds鸟种图像数据集对CAM-VGG16模型进行训练，通过训练好的模型提取涉鸟故障相关鸟种图像的CAM类别激活图，识别出原始图像中的鸟种目标；然后对类别激活图进行迭代法全局阈值分割和最大连通区域提取，获取图像中的鸟种目标定位框，根据定位框的尺寸裁剪得到预处理后的鸟种图像。以珠颈斑鸠、东方白鹳、普通鵟三种鸟类的典型图像为例，上述基于类别激活图的鸟种图像预处理可视化流程如图2所示。S3：采用AlexNet、VGG16、ResNet50和InceptionV3四种深度卷积神经网络建立学习模型，利用ImageNet数据集对网络模型进行预训练，选取动量随机梯度下降算法进行网络模型的学习优化，设定动量值为0.9，学习率为0.0001，迭代轮数为30轮，每一轮迭代训练383次，最小批量数为8，训练在Matlab的仿真环境下采集全局微调的方式。S4：对预训练模型进行微调，通过模型迁移使其匹配涉鸟故障相关鸟种的图像识别任务。对于AlexNet和VGG16，将最后一个全连接层“fc8”的维数由原来的1×1000调整为1×88；对于ResNet50和InceptionV3，删除原网络中的最后3层“fc1000”、“fc1000_softmax”和“ClassificationLayer_fc1000”，以一个包含1×88的全连接层、1×8本文档来自技高网...

【技术保护点】
1.一种输电线路涉鸟故障相关鸟种图像识别方法，其特征在于：包括如下步骤：/nS1：收集输电线路渉鸟故障相关鸟种图像，建立包含N种鸟类的图像数据集，将鸟种图像分为训练集和测试集；/nS2：构建VGG16卷积神经网络模型，采用ImageNet数据库对其进行预训练，然后移去卷积层“conv5-3”后面的所有层，用一个“卷积+全局平均池化+全连接+输出”的结构替代原有的“pool5”—“prob”层，采用公开鸟种图像数据集对修改后的卷积模型进行训练，通过训练好的模型提取涉鸟故障相关鸟种图像的类别激活图，利用类别激活图对鸟种图像进行去背景预处理，得到包含少量背景的鸟种图像；/nS3：采用AlexNet、VGG16、ResNet50和InceptionV3四种深度卷积神经网络建立学习模型，利用ImageNet数据集对网络模型进行预训练；/nS4：对预训练模型进行微调，通过模型迁移使其匹配涉鸟故障相关鸟种的图像识别任务，对于AlexNet和VGG16，将最后一个全连接层“fc8”的维数由原来的1×1000调整为1×N；对于ResNet50和InceptionV3，删除原网络中的最后3层“fc1000”、“fc1000_softmax”和“ClassificationLayer_fc1000”，以一个包含1×N的全连接层、1×N的softmax层以及N分类输出层的结构代替；/nS5：采用输电线路渉鸟故障相关鸟种图像训练集对微调后的四种深度卷积神经网络模型进行重新训练，利用训练好的网络模型对鸟种图像测试集进行分类识别，得到四种模型的分类准确率a...

【技术特征摘要】
1.一种输电线路涉鸟故障相关鸟种图像识别方法，其特征在于：包括如下步骤：
S1：收集输电线路渉鸟故障相关鸟种图像，建立包含N种鸟类的图像数据集，将鸟种图像分为训练集和测试集；
S2：构建VGG16卷积神经网络模型，采用ImageNet数据库对其进行预训练，然后移去卷积层“conv5-3”后面的所有层，用一个“卷积+全局平均池化+全连接+输出”的结构替代原有的“pool5”—“prob”层，采用公开鸟种图像数据集对修改后的卷积模型进行训练，通过训练好的模型提取涉鸟故障相关鸟种图像的类别激活图，利用类别激活图对鸟种图像进行去背景预处理，得到包含少量背景的鸟种图像；
S3：采用AlexNet、VGG16、ResNet50和InceptionV3四种深度卷积神经网络建立学习模型，利用ImageNet数据集对网络模型进行预训练；
S4：对预训练模型进行微调，通过模型迁移使其匹配涉鸟故障相关鸟种的图像识别任务，对于AlexNet和VGG16，将最后一个全连接层“fc8”的维数由原来的1×1000调整为1×N；对于ResNet50和InceptionV3，删除原网络中的最后3层“fc1000”、“fc1000_softmax”和“ClassificationLayer_fc1000”，以一个包含1×N的全...

【专利技术属性】
技术研发人员：邱志斌，石大寨，廖才波，朱轩，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西;36