一种基于深度学习的电力塔架部件识别方法技术

技术编号:20425984 阅读:14 留言:0更新日期:2019-02-23 08:46
本发明专利技术公开一种基于深度学习的无人机电力塔架部件识别方法。本发明专利技术包含以下步骤:1、使用无人机搭载图像采集设备采集包含电力塔架部件的图片;2、从采集的图片中选取合适数量图片进行预处理,并按一定比例制作成训练集、验证集和测试集;3、利用改进的YOLOv2算法对处理好的数据集进行训练;4、利用训练好的模型对测试集进行测试并对结果进行评价。本发明专利技术提出的改进的YOLOv2算法与YOLOv2算法相比,有效地提高了模型对电力塔架部件的识别准确率和速率,同时具有更好的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的电力塔架部件识别方法
本专利技术属于深度学习目标识别领域,涉及一种电力塔架部件识别方法,特别涉及一种基于深度学习的电力塔架部件实时识别方法。
技术介绍
随着无人机行业的快速发展,无人机在电力巡检作业中的应用得到了广泛的关注。无人机电力巡检会产生大量包含电力塔架部件的图片数据,如果仅依靠人工判读则需要大量的时间。因此,采用目标识别算法对这些图片数据中的电力塔架部件进行自动检测识别意义重大。由于无人机电力巡检的特殊作业方式和复杂的作业环境,与常见的行人、车辆等识别目标相比,无人机巡检过程得到的图像的背景更加复杂、待识别的目标与背景的对比度低,还经常伴随着较大的干扰。传统的电气设备识别算法依赖于人工提取特征,如SIFT(Scale-InvariantFeatureTransform)、输电线边缘检测、HOG(HistogramofOrientedGridients),将获得特征结合支持向量机或随机森林等算法进行识别。此外也有采用自适应阈值、分水岭等图像分割算法对电气设备外围轮廓进行分割。但由于电气设备结构复杂、不规则,这些方法取得的效果一般,准确率不高而且泛化能力较差。2012年Alexnet的提出使得深度学习在图片识别和目标检测领域上的应用备受关注。当前卷积神经网络做为特征提取基础的目标检测框架大致可以分为两类。一类是基于区域候选框提出的两步网络(two-stage)。具有代表性的有R-CNN(RegionbasedConvolutionalNeuralNetwork),FastR-CNN,FasterR-CNN。第二类是以YOLO(YouOnlyLookOnce)、SSD(SingleShotMultiboxDetector)为代表单步网络(one-stage)。RedmonJ等提出了YOLO算法,YOLO在追求速度的同时丢失了一定精度。之后YOLOv2的提出,改善了YOLO精度丢失的问题,在识别速率和精度上都取得了较好的效果,适用于无人机电力塔架部件实时识别的应用场景。
技术实现思路
为了能够快速而且准确的实现无人机电力巡检中的电力塔架部件识别,本专利技术提出了一种基于深度学习的电力塔架部件识别方法。首先通过无人机搭载图像采集设备获取大量包含电力塔架部件的图像;然后选取包含电力塔架、指示牌、塔架底座这三类待识别目标的图像进行预处理,并按一定比例分别制作训练集、验证集和测试集;然后利用改进的YOLOv2算法对数据集进行训练;最后利用训练得到的模型对测试集进行测试,并对结果进行评价。本专利技术方法主要包括以下步骤:(1).利用无人机搭载图像采集设备,在电力巡检过程采集电力塔架部件的图像信息。(2).从步骤(1)所采集的电力塔架部件图像中选取塔架,指示牌,塔架底座三类作为识别对象。挑选包含上述三类对象的图像进行预处理,并制作成训练集、验证集和测试集,用于后续的训练和测试。(3).使用改进的YOLOv2算法对步骤(2)中制作好的训练集进行训练。改进的YOLOv2算法如下:改进的YOLOv2网络结构包含24个卷积层、5个池化层和两个转移层。该网络的卷积层中使用了3×3、1×1卷积核,含3×3卷积核的卷积层与1×1卷积核的卷积层交替放置,充分利用了1×1卷积核压缩特征的效果,并在每个池化层之后对卷积核的个数进行翻倍。改进的网络结构移除了YOLOv2网络末端冗余的两个3×3×1024的卷积层,并将Conv_3~Conv_6卷积层的卷积核数量减少了一半。转移层由route层和reorg层两部分组成,route层将不同层的特征图进行连接,reorg用于调整特征图的尺寸。二者结合实现将其他层的特征图的尺寸调整至与当前层特征图尺寸一致,再进行拼接,实现不同尺寸特征图的特征融合。改进的网络结构在网络末端利用两个转移层将26×26、52×52尺寸的特征图与13×13尺寸的特征图进行融合。转移层的表示形式如下:Xn=fp1+fp2+...+fpj(1)Xm=fp1+fp2+...+fpk(2)Xn表示来自第n层卷积层的所有特征图,fp1~fpj分别对应j个特征图,Xm表示来自第m层卷积层的所有特征图,fp1~fpk分别对应k个特征图。表示第n层卷积层的特征图通过隔行隔列采样后,将特征图尺寸调整为与第m层卷积层特征图的尺寸一致,Sn表示第n层特征图的尺寸为Sn×Sn,Sm表示第m层特征图尺寸为Sm×Sm,调整后的特征图数量为调整前的2λ倍,Xmerge表示第m、n层卷积层特征图融合得到的结果。利用改进的网络结构训练至模型收敛。(4).利用训练得到的模型对测试集进行测试,并利用mAP和P-R曲线以及每张图片的平均测试件时间对所得结果进行评价;其中mAP即MeanAveragePrecision,P-R即Precision-Recall;准确率Precision的定义:TP表示为真正类,即一个实例为正类,也被预测为正类,FP为假正类即一个实例为负类,被预测为了正类。Precision反映了模型预测正例的能力。召回率Recall的定义:FN表示为假负类,即一个实例为正类,被预测为负类。Recall反映了模型的检出能力。P-R曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡。AP为PR曲线与X轴围成的图形面积,它的定义为:mAP的定义为:Q为对应的类别数,即对各类的AP求均值,mAP是模型对多类别目标识别的综合能力体现。本专利技术与已有的与电力塔架部件识别方法相比,具有如下特点:采用深度学习目标检测算法,能够更充分的利用图像数据的深层特征,模型具有更强的泛化能力。改进的YOLOv2算法融合了不同尺度特征图的特征,提高了识别准确率;网络结构的简化加快了模型的识别速率。附图说明图1为本专利技术实施的流程图;图2为改进的YOLOv2网络结构示意图;图3为三类目标测试结果P-R曲线。具体实施方式下面结合附图对本专利技术的实施例作详细说明:本实施例在以本专利技术技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。如图1所示,本实施例包括如下步骤:步骤一,利用无人机搭载高清摄像头,在高压输电线路进行电力巡检时拍摄大量包含电力塔架、指示牌、塔架底座三类对象的图片。步骤二,选取步骤一中获取的包含电力塔架、指示牌、塔架底座三类对象的图片各1200张,并按训练集1000张,验证集和测试集各100张区分,且互相独立。将所有图片大小调整为600×450,并将所有图片中包含的待识别对象进行标注,用于后续的训练和测试。步骤三,改进的YOLOv2网络结构如图2所示,与YOLOv2原网络结构相比,剔除了网络末端两个3×3×1024的卷积层,并对网络中间卷积层的卷积核数量进行了减半处理;此外还添加了两个转移层在网络末端对52×52,、26×26、13×13三种尺寸的特征图进行了融合。用原YOLOv2算法与改进后的YOLOv2分别对做好的训练集进行训练,观察训练过程中验证集的准确率以及训练的损失值,等到验证集的准确率以及训练的损失值趋于稳定,即表示模型已经收敛,保存模型,停止训练。步骤四,用YOLOv2算法以及改进后的YOLOv2算法分别对测试集进行测试,并对结果进行评价和比较。表1改进的YOLOv2与YOLOv2的测试结果比较表1记录了YOLO本文档来自技高网
...

【技术保护点】
1.一种基于深度学习的电力塔架部件识别方法,其特征在于,该方法具体包括如下步骤:(1).利用无人机搭载图像采集设备,在电力巡检过程采集电力塔架部件的图像信息;(2).从步骤(1)所采集的电力塔架部件图像中选取塔架,指示牌,塔架底座三类作为识别对象;挑选包含上述三类对象的图像进行预处理,并制作成训练集、验证集和测试集,用于后续的训练和测试;(3).使用改进的YOLOv2算法对步骤(2)中制作好的训练集进行训练;改进的YOLOv2算法如下:改进的YOLOv2网络结构包含24个卷积层、5个池化层和两个转移层;该网络的卷积层中使用了3×3、1×1卷积核,含3×3卷积核的卷积层与1×1卷积核的卷积层交替放置,并在每个池化层之后对卷积核的个数进行翻倍;改进的网络结构移除了YOLOv2网络末端冗余的两个3×3×1024的卷积层,并将Conv_3~Conv_6卷积层的卷积核数量减少了一半;转移层由route层和reorg层两部分组成,route层将不同层的特征图进行连接,reorg用于调整特征图的尺寸;二者结合实现将其他层的特征图的尺寸调整至与当前层特征图尺寸一致,再进行拼接,实现不同尺寸特征图的特征融合;改进的网络结构在网络末端利用两个转移层将26×26、52×52尺寸的特征图与13×13尺寸的特征图进行融合;转移层的表示形式如下:Xn=fp1+fp2+...+fpj     (1)Xm=fp1+fp2+...+fpk     (2)Xn表示来自第n层卷积层的所有特征图,fp1~fpj分别对应j个特征图,Xm表示来自第m层卷积层的所有特征图,fp1~fpk分别对应k个特征图;...

【技术特征摘要】
1.一种基于深度学习的电力塔架部件识别方法,其特征在于,该方法具体包括如下步骤:(1).利用无人机搭载图像采集设备,在电力巡检过程采集电力塔架部件的图像信息;(2).从步骤(1)所采集的电力塔架部件图像中选取塔架,指示牌,塔架底座三类作为识别对象;挑选包含上述三类对象的图像进行预处理,并制作成训练集、验证集和测试集,用于后续的训练和测试;(3).使用改进的YOLOv2算法对步骤(2)中制作好的训练集进行训练;改进的YOLOv2算法如下:改进的YOLOv2网络结构包含24个卷积层、5个池化层和两个转移层;该网络的卷积层中使用了3×3、1×1卷积核,含3×3卷积核的卷积层与1×1卷积核的卷积层交替放置,并在每个池化层之后对卷积核的个数进行翻倍;改进的网络结构移除了YOLOv2网络末端冗余的两个3×3×1024的卷积层,并将Conv_3~Conv_6卷积层的卷积核数量减少了一半;转移层由route层和reorg层两部分组成,route层将不同层的特征图进行连接,reorg用于调整特征图的尺寸;二者结合实现将其他层的特征图的尺寸调整至与当前层特征图尺寸一致,再进行拼接,实现不同尺寸特征图的特征融合;改进的网络结构在网络末端利用两个转移层将26×26、52×52尺寸的特征图与13×13尺寸的特征图进行融合;转移层的表示形式如下:Xn=fp1+fp2+...+fpj(1)Xm=fp...

【专利技术属性】
技术研发人员:髙云园陈强黄威袁世学谷雨
申请(专利权)人:杭州电子科技大学
类型:发明
国别省市:浙江,33

网友询问留言 已有0条评论
  • 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。

1