一种基于深度学习的高压电网飘挂物检测方法与流程

1.本公开属于图像处理技术领域，具体涉及一种基于深度学习的高压电网飘挂物检测方法。


背景技术：

2.为了确保电网设备安全稳定运行，对输电线路必须经常进行易漂浮物大排查及清理工作。由于大风可能引发异物搭挂、导线舞动从而造成倒塔断线等设备损伤，需要利用望远镜、无人机等对线路和设备进行详细检查，掌握每条运行线路、检查设备及接点有无悬挂物现象，及时发现隐患。由于高压输电线路存在跨越地区广，线路长等问题，采用人工巡检无法及时排除隐患。随着深度学习的发展，采用基于深度学习的目标检测加无人机智能巡检应运而生，使用无人机拍摄输电线路可以快速完成电网上的信息采集，通过对采集到的图像进行分析可以及时排查出安全隐患。但是通常使用无人机巡检拍照，使用目标检测模型检测电网飘挂物目标存在一些问题，如识别精度较低、召回率低以及检测效率不高的问题。


技术实现要素：

3.针对现有技术中的不足，本公开的目的在于提供一种基于深度学习的高压电网飘挂物检测方法，该方法能够提高高压电网图像中飘挂物的位置的检测精确度，有效帮助维护人员高效巡检高压电网。
4.为实现上述目的，本公开提供以下技术方案：
5.一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：
6.s100：采集待测高压电网飘挂物标签图像；
7.s200：将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
8.优选的，所述高压电网飘挂物图像识别模型包括：
9.骨干网，用于对所述待测高压电网飘挂物标签图像进行特征提取和特征融合，以生成特征图；
10.检测组件，用于对由所述骨干网生成的特征图进行检测。
11.优选的，所述骨干网包括：
12.特征提取网络，所述特征提取网络包括第一至第五特征提取层，用于对待测高压电网飘挂物标签图像进行特征提取；
13.特征融合网络，所述特征融合网络包括第一至第四特征融合层，用于对所提取的待测高压电网飘挂物标签图像的特征进行融合以形成特征图。
14.优选的，所述检测组件包括：
15.维度放缩特征融合模块，用于对由所述特征融合网络输出的特征图进行尺度缩减；
16.检测端注意力模块，用于对由所述维度放缩特征融合模块尺度缩减后的特征图进行特征增强处理；
17.感兴趣区域池化模块，用于通过插值计算对由所述检测端注意力模块处理后的特征图进行放大获得特征放大图；
18.非极大值抑制模块，用于对由所述感兴趣区域池化模块输出的相重叠的特征放大图进行合并，以输出预测框。
19.优选的，所述检测端注意力模块包括依次连接的卷积层、bn层、rule层、转置卷积层、bn层、转置卷积层以及并行的注意力层。
20.优选的，所述高压电网飘挂物图像识别模型的训练过程包括以下步骤：
21.s1000：使用coco2017数据集对高压电网飘挂物图像识别模型进行预训练；
22.s2000：将所构建的高压电网飘挂物标签图像数据集划分为训练集和测试集，将训练集输入预训练后的高压电网飘挂物图像识别模型中对模型进行训练，训练完成后，将测试集输入训练后的高压电网飘挂物图像识别模型中对模型进行测试，若测试时模型精确到大于90％且召回率大于90％，测试通过，则获得训练好的高压电网飘挂物图像识别模型。
23.本公开还提供一种基于深度学习的高压电网飘挂物检测装置，包括：
24.采集单元，用于采集待测高压电网飘挂物标签图像；
25.检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
26.优选的，所述检测单元包括：
27.特征提取子单元，用于对所述待测高压电网飘挂物标签图像进行特征提取；
28.特征融合子单元，用于将由特征提取子单元提取到的图像特征进行融合，以生成特征图。
29.优选的，所述检测单元还包括：
30.特征图缩放子单元，用于对由所述特征融合子单元输出的特征图进行尺度缩减；
31.特征图增强子单元，用于对由所述特征图缩放子单元尺度缩减后的特征图进行特征增强处理；
32.感兴趣区域池化子单元，用于通过插值计算对由所述特征图增强子单元处理后的特征图进行放大获得特征放大图；
33.非极大值抑制子单元，用于对由所述感兴趣区域池化子单元输出的相重叠的特征放大图进行合并，以输出预测框。
34.与现有技术相比，本公开带来的有益效果为：
35.1、本公开提出的高压电网飘挂物图像检测模型，通过引入使用注意力机制和插值方法检测电网飘挂物可以有效检测出电网上异物信息，提高文本标签检测能力。采用权重交叉熵损失损失，可以使得模型输出特征向量具备更好的训练效果，使用注意力机制可以弥补一般目标检测模型中飘挂物检测能力不足的问题，使在电网中飘挂物的目标位置更加精确，提高检测能力降低电网触网隐患；
36.2、本公开通过采用resnet+fpn结构作为骨干网，能够提高高压电网图像中飘挂物的位置的检测精确度，有效帮助维护人员高效巡检高压电网，提高电网系统的安全。
附图说明
37.图1是本公开一个实施例提供的一种基于深度学习的高压电网飘挂物检测方法流程图；
38.图2是本公开另一个实施例提供的高压电网飘挂物图像识别模型的结构示意图。
具体实施方式
39.下面将参照附图1和图2详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
40.需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
41.为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
42.一个实施例中，如图1所示，本公开提供一种基于深度学习的高压电网飘挂物检测方法，包括如下步骤：
43.s100：采集待测高压电网飘挂物标签图像；
44.s200：将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
45.另一个实施例中，所述高压电网飘挂物图像识别模型包括：
46.骨干网，用于对所述待测高压电网飘挂物标签图像进行特征提取和特征融合，以生成特征图；
47.检测组件，用于对由所述骨干网生成的特征图进行检测。
48.另一个实施例中，所述骨干网包括：
49.特征提取网络，所述特征提取网络包括第一至第五特征提取层，用于对待测高压电网飘挂物标签图像进行特征提取；
50.特征融合网络，所述特征融合网络包括第一至第四特征融合层，用于对所提取的待测高压电网飘挂物标签图像的特征进行融合以形成特征图。
51.本实施例中，如图2所示，特征提取网络包括依次连接的第一特征提取层c1、第二特征提取层c2、第三特征提取层c3、第四特征提取层c4和第五特征提取层c5，待测高压电网飘挂物标签图像依次经过第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层进行特征提取，每一层均获得高压电网飘挂物图像特征。
52.特征融合网络包括fpn第一层p2、第二层p3、第三层p4和第四层p5，第五特征提取层c5、第四特征提取层c4的输出特征图融合时使用注意力层后送入fpn第四层处理，第三特
征提取层c3、fpn第四层的输出特征图融合使用注意力层后送入fpn第三层处理，第二特征提取层c2、fpn第三层的输出特征图融合使用注意力层后送入fpn第二层处理，第一特征提取层c1、第二fpn层的输出特征图融合使用注意力层后送入fpn第一层处理。
53.在具体的图像处理过程中，特征提取网络选取resnet，并使用sknet注意力层代替原本3
×
3的卷积进行特征提取，具体的，在fpn结构中，将fpn中每层特征进行上采样扩大尺度后进行融合。其中，fpn输出的特征图是{p2，p3，p4，p5}，将其进行上采样过程为：p2扩大2倍，p3扩大4倍，p4扩大8倍，p5扩大16倍统一尺度后进行拼接融合。
54.另一个实施例中，所述检测组件包括：
55.维度放缩特征融合(conv)模块，用于对由所述特征融合网络输出的特征图进行尺度缩减；
56.检测端注意力(sknet)模块，用于对由所述维度放缩特征融合模块尺度缩减后的特征图进行特征增强处理；
57.感兴趣区域池化(roipooling)模块，用于通过插值计算对由所述检测端注意力模块处理后的特征图进行放大获得特征放大图；
58.非极大值抑制(nms)模块，用于对由所述感兴趣区域池化模块输出的相重叠的特征放大图进行合并，以输出预测框。
59.本实施例，特征融合网络输出的特征图被依次送入维度放缩特征融合单元、检测端注意力模块进行处理，其中，维度放缩特征融合模块由特征融合网络输出特征扩大到同一尺度纵轴拼接后进行卷积、批量标准化、最大池化处理后实现尺度缩小成原来的1/4，维度减小到原来的1/4，尺度缩减后的特征图被输入到检测端注意力模块中，然后使用经注意力处理的特征图进行感兴趣区域池化插值生成检测图，最后将检测图送入非极大值抑制模块获取预测结果。
60.另一个实施例中，所述检测端注意力模块包括依次连接的卷积层、bn层、rule层、转置卷积层、bn层、转置卷积层以及并行的注意力层。
61.另一个实施例中，所述高压电网飘挂物图像识别模型的训练过程包括以下步骤：
62.s1000：使用coco2017数据集对高压电网飘挂物图像识别模型进行预训练；
63.该步骤中，通过使用coco2017数据集对高压电网飘挂物图像识别模型进行预训练，将模型在多次迭代中学习网络参数，能够使得模型具有良好的检测性能。
64.s2000：将所构建的高压电网飘挂物标签图像数据集划分为训练集和测试集，将训练集输入预训练后的高压电网飘挂物图像识别模型中对模型进行训练，训练完成后，将测试集输入训练后的高压电网飘挂物图像识别模型中对模型进行测试，若测试时模型精确到大于90％且召回率大于90％，测试通过，则获得训练好的高压电网飘挂物图像识别模型。
65.该步骤中，本实施例使用通用的coco2017数据集格式来制作高压电网飘挂物图像数据集，首先采用labelme开源数据集标注工具使用四点标注法来标注高压电网飘挂物图像，然后将标注文件转换成coco2017数据集格式，所述构建的数据集d中每一张高压电网飘挂物图像对应一个标签文件，最后，将所述数据集d中的高压电网飘挂物图像按照的1∶3比例划分为训练集d
train
和测试集d
test
。
66.上述实施例训练得到的高压电网飘挂物图像识别模型与现有图像识别模型的检测结果如表1所示：
67.表1
[0068][0069]
表1中，采用检测准确率p(presision，是判断检测指标)、检测召回率r(recall，是判断漏检的指标)和每秒处理图片数(frames per second，每秒处理图片数记为fps，是1秒钟处理图片的数量，用于表示模型的计算复杂度，fps越大代表模型计算复杂度越低)对本公开所述的以及现有的图像识别模型的检测性能进行评估。由表1可见，本公开所述模型的各项指标均由于现有的包括faster rcnn、yolov3和efficientdet3在内的图像识别模型，说明本公开所述模型对于高压电网飘挂物的检测准确度优于现有模型。
[0070]
另一个实施例中，本公开还提供一种基于深度学习的高压电网飘挂物检测装置，包括：
[0071]
采集单元，用于采集待测高压电网飘挂物标签图像；
[0072]
检测单元，用于将所述待测高压电网飘挂物标签图像输入高压电网飘挂物图像识别模型进行检测，以判断飘挂物在高压电网的位置。
[0073]
另一个实施例中，所述检测单元包括：
[0074]
特征提取子单元，用于对所述待测高压电网飘挂物标签图像进行特征提取；
[0075]
特征融合子单元，用于将由特征提取子单元提取到的图像特征进行融合，以生成特征图。
[0076]
另一个实施例中，所述检测单元还包括：
[0077]
特征图缩放子单元，用于对由所述特征融合子单元输出的特征图进行尺度缩减；
[0078]
特征图增强子单元，用于对由所述特征图缩放子单元尺度缩减后的特征图进行特征增强处理；
[0079]
感兴趣区域池化子单元，用于通过插值计算对由所述特征图增强子单元处理后的特征图进行放大获得特征放大图；
[0080]
非极大值抑制子单元，用于对由所述感兴趣区域池化子单元输出的相重叠的特征放大图进行合并，以输出预测框。
[0081]
以上应用了具体实施例对本发明进行了阐述，只是用于帮助理解本公开，并不用于限制本发明。任何熟悉该技术的技术人员在本发明所揭示的技术范围内的局部修改或替换，都应涵盖在本发明的范围之内。