基于深度学习的高压线路防外力破坏预警系统及方法技术方案

本发明专利技术公开了一种基于深度学习的高压线路防外力破坏预警系统及方法。该系统包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端。方法如下：接收拍摄的图片作为训练样本集；构建卷积神经网络的网络模型；将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型；输入采集的现场图片并对其采用中值滤波处理，得到预处理后的图像；采用选择性搜索提取候选区域；采用最终的卷积神经网络模型自提取特征；采用支持向量机分类器识别出该图像中的目标。本发明专利技术具有识别率高、实时性好等优点，方便大规模生产。

Early warning system and method for external damage prevention of high voltage transmission line based on deep learning

The invention discloses a warning system and method for external damage prevention of high voltage lines based on deep learning. The system includes battery, power management board, ARM image processing board, infrared analog camera, digital camera, GPS module, as well as solar panels, target recognition machines, servers and mobile phone terminals installed outside the box body. The method is as follows: receiving pictures taken as the training set; constructing the network model of convolutional neural network; the training sample set of data format conversion after the input of network model final network model; field acquisition image input and the median filtering image is obtained after pretreatment by selective extraction of candidate search; region; by convolution neural network model from the final feature extraction; using support vector machine classifier to identify the object in the image. The invention has the advantages of high recognition rate and good real-time performance, and is convenient for large-scale production.

【技术实现步骤摘要】
基于深度学习的高压线路防外力破坏预警系统及方法
本专利技术涉及智能监控
，特别是一种基于深度学习的高压线路防外力破坏预警系统及方法。
技术介绍
随着计算机视觉技术和图像并行处理技术的发展，目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在视频监控领域中，如果能够有效对高压输电线路下的目标进行识别，就可以及时向工作人员预警，减少由于大面积停电、人员伤亡等灾难事故造成的经济损失。目前传统目标识别的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类识别。但是这种识别方法存在的两个主要问题：一个是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余，给使用人员带来较大困难，识别的成功概率与工人的专业水平也有关系；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性，尤其是要适应各种复杂外场的安装环境，困难非常大。
技术实现思路
本专利技术的目的在于提供一种制造成本较低、识别率高的基于深度学习的高压线路防外力破坏预警系统及方法，从而防止高压输电线路下方危险作业车辆及目标的电力设施被破坏。实现本专利技术目的的技术解决方案为：一种基于深度学习的高压线路防外力破坏预警系统，包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端，所述ARM图像处理板包括4G模块，其中：所述的红外模拟摄像机与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机；所述的数字摄像机与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，所述目标识别机对目标进行智能识别，并将识别结果通过服务器发送至手机移动终端；所述太阳能电池板通过蓄电池向电源管理板供电，电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。进一步地，所述的红外模拟摄像机采用工业级高清枪式摄像机，像素130万，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控。进一步地，所述的数字摄像机由球机构成，最大监控距离为100m，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控。一种基于深度学习的高压线路防外力破坏预警方法，所述的目标识别机采用深度学习的方法，搭建深度神经网络对目标进行智能识别，具体步骤如下：步骤1，不断的接收拍摄的图片作为训练样本集；步骤2，构建卷积神经网络的网络模型；步骤3，将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型；步骤4，输入采集的现场图片并对其采用中值滤波处理，得到预处理后的图像；步骤5，采用选择性搜索对预处理后的图像提取候选区域；步骤6，将候选区域采用最终的卷积神经网络模型自提取特征；步骤7，将提取后的特征采用支持向量机分类器识别出该图像中的目标，并判断出该目标是否为危险作业目标。进一步地，步骤2所述构建卷积神经网络的网络模型，具体如下：构建一个5层卷积网络，第一层为卷积层，使用64个卷积核，卷积核窗口大小为3*3个像素，边缘填充100像素，输出64个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第二层为卷积层，使用128个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出128个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第三层为卷积层，使用256个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出256个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第四层为卷积层，使用512个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出512个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第五层为卷积层，使用512个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出512个特征图，特征图经降维处理后进入全连接层。进一步地，步骤5所述采用选择性搜索对预处理后的图像提取候选区域，具体为：首先将图像分割成1000～2000个区域，然后以此为基础，对相邻的区域进行相似度判断并融合，形成不同尺度下的区域。本专利技术与现有技术相比，其显著优点为：(1)采用深度学习的方法可以让机器自主学习特征，从而解放了繁琐的人工选取特征的步骤；(2)对危险作业目标识别率高、识别速率快，能保证实时性要求；(3)功耗低、可靠性高，且制造结构简单、成本低，方便大规模生产。附图说明图1为本专利技术基于深度学习的高压线路防外力破坏预警系统的结构示意图。图2为本专利技术基于深度学习的高压线路防外力破坏预警方法的流程图。图3为本专利技术采用的三种样本示例图，其中(a)为挖掘机样本示例图，(b)为吊车样本示例图，(c)为卡车样本示例图。图4为本专利技术采用中值滤波对部分样本图像进行滤波处理并采用selectivesearch对处理后的图像提取候选区域示例图。具体实施方式下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1所示，本专利技术基于深度学习的高压线路防外力破坏预警系统，硬件系统主要包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端，所述ARM图像处理板包括4G模块，其中：所述的红外模拟摄像机与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机；所述的数字摄像机与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，所述目标识别机对目标进行智能识别，并将识别结果通过服务器发送至手机移动终端；太阳能电池板与蓄电池相连接，主要给蓄电池充电；蓄电池是给整个系统供电；红外模拟摄像机采用工业级高清枪式摄像机，像素130万，供电电压为12V，安装在高压铁塔上，它主要与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机，通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控；数字摄像机由球机构成，最大监控距离在100m，供电电压为12V，安装在高压铁塔上，它主要与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控；电源管理板主要给ARM图像处理板、红外模拟摄像机和数字摄像机供电；GPS模块用于对电力设施防外破系统进行定位；箱体是将蓄电池、红外模拟摄像机、数字摄像机、ARM图像处理板和电源管理板封装在一起；服务器是接收包含危险作业目标的图片并将该图片和报警信息发发送到工作人员手机移动终端。如图2所示，本专利技术基于深度学习的高压线路防外力破坏预警方法，包括以下步骤：步骤1，不断的接收拍摄的图片作为训练样本集；步骤2，构建卷积神经网络的网络模型；步本文档来自技高网...

【技术保护点】
一种基于深度学习的高压线路防外力破坏预警系统，其特征在于，包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端，所述ARM图像处理板包括4G模块，其中：所述的红外模拟摄像机与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机；所述的数字摄像机与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，所述目标识别机对目标进行智能识别，并将识别结果通过服务器发送至手机移动终端；所述太阳能电池板通过蓄电池向电源管理板供电，电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。

【技术特征摘要】
1.一种基于深度学习的高压线路防外力破坏预警系统，其特征在于，包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端，所述ARM图像处理板包括4G模块，其中：所述的红外模拟摄像机与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机；所述的数字摄像机与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，所述目标识别机对目标进行智能识别，并将识别结果通过服务器发送至手机移动终端；所述太阳能电池板通过蓄电池向电源管理板供电，电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。2.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统，其特征在于，所述的红外模拟摄像机采用工业级高清枪式摄像机，像素130万，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控。3.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统，其特征在于，所述的数字摄像机由球机构成，最大监控距离为100m，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控。4.一种基于深度学习的高压线路防外力破坏预警方法，其特征在于，所述的目标识别机采用深度学习的方法，搭建深度神经网络对目标进行智能识别，具体步骤如下：步骤1，连续接收拍摄的图片作为训练样本集；步骤2，构建卷积神经网络的网络模型；步骤3，将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型；步骤4，输入采集的现场图片并对...

【专利技术属性】
技术研发人员：白宏阳，胡福东，郭宏伟，苏文杰，李成美，梁华驹，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32