【技术实现步骤摘要】
本专利技术涉及电力安全检测，尤其涉及一种基于改进yolo的输电线路山火检测方法和系统。
技术介绍
1、在现代社会，电力传输是基础设施的核心部分，其安全性和稳定性至关重要。然而，电力传输线路通常跨越广袤的森林区域，极易受到山火的威胁。一旦发生火灾，不仅会导致大面积的电力中断，还可能引发连锁反应，造成更为严重的灾害。
2、目前通常采用基于深度学习的火灾检测系统模型结合多模态数据分析技术进行山火识别，其还能够分析环境中的其他相关信息，如温度、湿度等。这种多维度的数据融合使得系统在复杂环境下依然能够准确判断火灾的发生与发展，从而极大地提高了检测的可靠性和实用性。
3、但夜间线路周围山火异常样本数量的稀缺性导致模型在提取火焰特征时容易受到噪声干扰。此外，夜间场景中的其他光源，如车辆灯光、远处的城市灯火等，可能与火焰的光谱特征相似，增加了模型的误判风险，对于精准夜间山火检测带来了严峻的挑战。
技术实现思路
1、本专利技术所要解决的技术问题是如何提高对夜间山火的检验精度，提供了一种基于改进yolo的输电线路山火检测方法和系统，通过基于改进yolo的山火检测模型进行输电线路的山火检测，能够更专注于特定时间段特征的提取，进而提高对火焰特征的检测精度，能够有效应对各种场景下的火灾检测任务。
2、为解决以上技术问题，本专利技术实施例提供一种基于改进yolo的输电线路山火检测方法，包括：
3、采集输电线路的山火样本数据集；所述山火样本数据集包括带有标记的日间
4、对yolo模型进行改进，增加backbone模块和特征融合模块，得到山火检测模型；
5、使用所述山火样本数据集对所述山火检测模型进行训练；
6、获取待检测的实时输电线路图像，将所述实时输电线路图像输入至所述山火检测模型中，得到山火检测结果。
7、作为上述方案的改进，所述采集输电线路的山火样本数据集，包括：
8、采集输电线路的历史山火样本数据集；所述历史山火样本数据集包括不同火灾阶段、不同距离的日间样本数据集和第一夜间样本数据集；
9、采用cyclegan算法模拟生成第二夜间样本数据集；
10、对所述历史山火样本数据集和所述第二夜间样本数据集进行标记，得到山火样本数据集。
11、作为上述方案的改进，所述对yolo模型进行改进，增加backbone模块和特征融合模块，得到山火检测模型，包括：
12、对yolo模型进行改进，在传统yolo模型的基础上，增加一个backbone模块和一个特征融合模块，得到山火检测模型；所述山火检测模型包括第一backbone模块、第二backbone模块、特征融合模块、neck模块和head模块；
13、其中，所述第一backbone模块用于提取日间山火特征；所述第二backbone模块用于提取夜间山火特征；所述特征融合模块用于融合所述日间山火特征和所述夜间山火特征，得到日夜融合特征；所述neck模块用于对所述日夜融合特征进行多尺度融合，得到多尺度融合特征；所述head模块用于进行回归预测，生成山火图像坐标。
14、作为上述方案的改进，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
15、对所述山火样本数据集进行数据增强，得到增强山火样本数据集；
16、按照预设的比例将所述增强山火样本数据集划分为训练集、验证集和测试集；
17、使用所述训练集和所述验证集对所述山火检测模型进行训练；
18、使用所述测试集对训练好的所述山火检测模型进行测试，得到所述山火检测模型的性能参数。
19、作为上述方案的改进，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
20、将所述日间样本数据集输入至所述第一backbone模块中，根据所述日间样本数据集的标记提取日间山火特征；
21、将所述夜间样本数据集输入至所述第二backbone模块中，根据所述夜间样本数据集的标记提取夜间山火特征；
22、将所述日间山火特征和所述夜间山火特征输入至所述特征融合模块中，得到不同尺度的日夜融合特征；
23、将所述日夜融合特征输入至所述neck模块中，对所述不同尺度的日夜融合特征进行双向路径融合，得到多尺度融合特征；
24、将所述多尺度融合特征输入至所述head模块中，得到山火图像坐标；
25、根据所述山火图像坐标和所述山火样本数据集，更新所述山火检测模型的参数。
26、作为上述方案的改进，所述将所述日间山火特征和所述夜间山火特征输入至所述特征融合模块中，得到不同尺度的日夜融合特征，包括：
27、对所述日间山火特征和所述夜间山火特征分别进行压缩处理，得到压缩日间山火特征和压缩夜间山火特征；
28、对所述压缩日间山火特征和压缩夜间山火特征分别进行池化处理，得到池化日间山火特征池化夜间山火特征；
29、将所述池化日间山火特征池化夜间山火特征输入至所述特征融合模块的多层感知机中，对所述多层感知机的输出进行特征加权的拼接操作，得到不同尺度的日夜融合特征。
30、作为上述方案的改进，所述将所述日夜融合特征输入至所述neck模块中，对所述不同尺度的日夜融合特征进行双向路径融合，得到多尺度融合特征，包括：
31、通过特征金字塔网络，将所述不同尺度的日夜融合特征自下而上进行路径融合，得到第一融合结果；
32、通过路径聚合网络，将所述不同尺度的日夜融合特征自上而下进行路径融合，得到第二融合结果；
33、根据所述第一融合结果和所述第二融合结果，得到多尺度融合特征。
34、作为上述方案的改进，所述将所述多尺度融合特征输入至所述head模块中，得到山火图像坐标，包括：
35、将所述多尺度融合特征输入至所述head模块中，在不同尺度的所述多尺度融合特征上生成锚框和每一所述锚框的置信度；
36、使用giou函数对所述锚框进行边界框回归，得到目标边界框；
37、通过分类网络，使用交叉熵损失算法计算所述锚框的类别概率，得到目标类别；所述目标类别包括火焰和非火焰；
38、根据所述置信度和所述目标类别，对所述目标边界框坐标进行筛选，得到山火图像坐标。
39、作为上述方案的改进，所述获取待检测的实时输电线路图像，将所述实时输电线路图像输入至所述山火检测模型中，得到山火检测结果，包括：
40、获取待检测的实时输电线路图像；
41、对所述实时输电线线路图像进行预处理，将预处理后的所述实时输电线路图像输入至所述山火检测模型中，得到山火图像坐标；
42、采用地理映射，将所述山火图像坐标转换为地理坐标；
43、根据不同时刻的山火图像坐标，得到火灾面积时序数据；
44本文档来自技高网...
【技术保护点】
1.一种基于改进YOLO的输电线路山火检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述采集输电线路的山火样本数据集，包括：
3.如权利要求1所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述对YOLO模型进行改进，增加Backbone模块和特征融合模块，得到山火检测模型，包括：
4.如权利要求1所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
5.如权利要求1所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
6.如权利要求5所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述将所述日间山火特征和所述夜间山火特征输入至所述特征融合模块中，得到不同尺度的日夜融合特征，包括：
7.如权利要求5所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述将所述日夜融合特征输
8.如权利要求5所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述将所述多尺度融合特征输入至所述Head模块中，得到山火图像坐标，包括：
9.如权利要求1所述的一种基于改进YOLO的输电线路山火检测方法，其特征在于，所述获取待检测的实时输电线路图像，将所述实时输电线路图像输入至所述山火检测模型中，得到山火检测结果，包括：
10.一种基于改进YOLO的输电线路山火检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于改进yolo的输电线路山火检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进yolo的输电线路山火检测方法，其特征在于，所述采集输电线路的山火样本数据集，包括：
3.如权利要求1所述的一种基于改进yolo的输电线路山火检测方法，其特征在于，所述对yolo模型进行改进，增加backbone模块和特征融合模块，得到山火检测模型，包括：
4.如权利要求1所述的一种基于改进yolo的输电线路山火检测方法，其特征在于，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
5.如权利要求1所述的一种基于改进yolo的输电线路山火检测方法，其特征在于，所述使用所述山火样本数据集对所述山火检测模型进行训练，包括：
6.如权利要求5所述的一种基于改进yolo的输电线路山火检测方法，其...
【专利技术属性】
技术研发人员：畅布赫，王琦，毛颖，方川，徐唯敏，钟林，朱玉龙，张弛，范连俊，张俊，应凌峰，陈家源，毛正男，周富新，钱灿，孙晓明，方芳，屈靖洁，朱世豪，赵盈盈，黄圣雷，林建军，吴英，冯宇军，胡伟，
申请(专利权)人：国网浙江省电力有限公司淳安县供电公司，
类型：发明
国别省市：
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。