一种输电线防外破的车辆识别与危险行为判别系统与方法技术方案

本发明专利技术公开了一种输电线防外破的车辆识别与危险行为判别系统与方法。该系统包括前端输电线路智能防外破预警装置、后端中心管理平台和移动客户端，系统的前端和后端分别装有深度学习模块，前端和后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。前端的深度学习模块的模型和参数由后端训练后在线提供，中心管理平台确定深度学习网络的层数和卷积核大小，并对深度学习网络进行训练。本发明专利技术还提供了上述判别系统的判别方法。本发明专利技术既避免了前端深度学习网络的训练代价，降低了前端系统的复杂性，又解决了后端智能分析中视频传输费用高和实时性低问题。

【技术实现步骤摘要】
一种输电线防外破的车辆识别与危险行为判别系统与方法
本专利技术属于电力供应技术及其智能化领域，具体涉及一种输电线防外破的车辆识别与危险行为判别系统与方法。
技术介绍
高压输电线路具有覆盖范围大、分布区域广、传输距离长、自然和地理条件复杂多变、破坏源头多等特点，它们给线路的日常运行、维护和检修带来极大挑战，特别是杆塔或线路附近的泵车、工程车等大型车辆经过、附近吊车施工等潜在的外破行为给输电线路的正常运行造成威胁。近来年，各种新的技术和装备不断引入用于对电力设施的外破行为进行自动检测和预警，基于机器视觉的模式识别方法是一种重要的方法。目前，主流的应用于输电线路防外破预警系统的模式识别的方法是SIFT特征提取、SVM分类为主，用于识别大型施工车辆，该方法使用SIFT方法提取前景区域的颜色和角点，再使用预先训练好的SVM分类器进行车型判断。但该方法的缺陷是特征向量的维数过高，容易产生“维数灾难”，另SIFT提取的特征由人工设计，很难描述复杂场景下的车辆特征，适应性差、泛化能力较差、识别精度较低、预警可靠性不足。
技术实现思路
本专利技术的目的是提出一种基于联合前后端的深度学习方法，针对输电线环境的大型施工车辆识别与危险行为分析方法，该方法结合前端智能和后端分析，深度学习中后端实现模型训练，前端实现分类判别。本专利技术既降低了前端训练模型的复杂度，又解决后端智能分析中海量视频数据传输问题、实时性问题、准确率问题，可实时实现各种对线路构成潜在危害的车辆和行为进行预警、阻止作用。为实现上述目的，本专利技术采用的技术方案为一种输电线防外破的车辆识别与危险行为判别系统，该系统包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端，中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信，移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信，前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块，该前、后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。进一步，上述前端输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。上述3/4G智能摄像机由视频成像模块、深度学习模块、预警模块、PTZ模块、压缩模块、存储模块及通信模块部件组成，视频成像模块实现图像采集与预处理；预警模块实现预警信息管理与信息上报；PTZ模块实现摄像机上下左右转动和镜头拉近或拉远，调整摄像机视野；压缩模块实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频；存储模块实现对压缩后的图片和视频在SD存储介质上进行存储和基于预警事件和时间戳的索引。进一步，深度学习算法分别部署于系统的前、后端，后端的中心管理平台实现深度学习算法中网络模型的建模、标注、训练，调整后端的深度学习网络网络模型及参数，并定时在线将最新的深度学习网络模型及参数传送到前端；前端收到后端发来的深度学习网络模型及参数后更新前端智能摄像机的深度学习网络及参数；前端的智能摄像机抓拍监测点过往车辆的图像，对采集的图像采用实时更新深度学习网络模型与参数进行分类识别和行为分析，判别出危险情况时，在线预警并将预警事件、图片及发生预警的车辆过往时前后短视频进行时间戳标注、压缩、存储并发往后端中心管理平台。前端智能摄像机中的深度学习模块的模型及参数配置是动态可调整的，其根据后端中心管理平台发来的数据及参数进行模型及参数更新。前端的深度学习网络实现图像前景区域中自动检测车辆、自动提取特征、分类处理、行为分析，完成对输电线路监测点的过往大型施工车辆识别与危险行为的判别预警。后端的中心管理平台确定深度学习网络的层数和卷积核大小，根据不同天气条件及车型训练深度学习网络，获得相关参数；深度学习网络采用经过压缩降维的亚采样像素特征、颜色分布特征、纹理特征、结构特征、运动特征，可识别各类工程车辆及其危险行为。后端中心管理平台基于深度学习的工程车辆识别方法实现包括背景建模、目标检测、车型分类、车辆行为分析在内的训练和识别。在前端的深度学习网络模型及参数更新期间，前端进行完全录像、标注后传输到后端中心管理平台，由后端的深度学习网络完成车辆检测与识别，确保不漏检。本专利技术还进一步提供一种实现上述输电线防外破的车辆识别与危险行为判别系统的判别方法，具体包含以下步骤：步骤1，后端中心服务器确定深度卷积神经网络层数和卷积核大小，使其能识别输电线塔架周围的工程车车辆以及经过、逗留与危险行为；步骤2，训练深度卷积神经网络，具体的步骤如下：步骤21，采集在不同天气、时段下的不同车型图片作为训练的样本，并进行标注、参数化；步骤22，对样本图像进行预处理；步骤23，训练深度卷积神经网络；步骤24，得到深度卷积神经网络的参数；步骤25，将参数传递给前端深度卷积神经网络；步骤26，智能摄像机获得经过训练的深度卷积分神经网络模型和分类器；步骤3，前端的智能摄像机进行目标获取和识别，具体的步骤如下：步骤31，获取实时图像；步骤32，对获取到的图像进行预处理；步骤33，采用混合神经网络进行背景建模和前景识别；步骤34，训练好的深度卷积神经网络对识别出的前景进行特征提取；步骤35，深度卷积神经网络提取的特征由训练好的分类器进行分类；步骤36，输出前景是否为工程车和车辆危险行为判别结果。与现有技术相比，本专利技术具有以下有益技术效果：1，本专利技术中，前端的深度学习模块的模型和参数由后端训练后提供和在线更新，后端中心管理平台确定深度学习网络的层数和卷积核大小，并对深度学习网络进行训练，这样可以避免前端深度学习网络的训练代价，降低了前端系统复杂。2，本专利技术可以解决后端智能分析中海量视频数据传输问题、实时性问题、准确率问题，可实时实现各种对线路构成潜在危害的车辆和行为进行预警、阻止作用。附图说明图1为输电线路智能防外破预警系统的系统图。图2为3/4G智能摄像机功能模块图。图3为大型施工车辆的训练流程图。图4为大型施工车辆的识别流程图。图5为深度卷积神经网络结构示意图。图6为深度学习降维建模流程图。具体实施方式现结合附图对本专利技术作进一步详细的说明。本专利技术提供一种用于输电线路防外破预警的大型车辆检测与行为判别系统，图1是系统组成示意图。该系统由前端的输电线路智能防外破预警装置、后端的中心管理平台和移动客户端组成；中心管理平台通过3/4G网络与输电线路智能防外破预警前端装置通信，前端的输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。其中，3/4G智能摄像机由视频成像、深度学习、预警、PTZ、压缩、存储等部件组成，如图2所示。3/4G智能摄像机由视频成像、深度学习、预警、PTZ、压缩、存储及通信等部件组成，前端智能摄像机成像模块实现图像采集与预处理，聚焦、白平衡、曝光、噪声处理；预警模块实现预警信息管理与信息上报；PTZ实现摄像机上下左右转动和镜头拉近或拉远，调整摄像机视野，压缩实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频，存储实现对压缩后的图片和视频在SD存储介质上进行管理存储。中心管理平台中包括深度学习功能模块和信息管理模块等部件。系统采用深度学习网络实现大型施工车辆的监测及危险行为本文档来自技高网...

【技术保护点】
一种输电线防外破的车辆识别与危险行为判别系统，其特征在于，该系统包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端，中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信，移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信，前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块，该前、后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。

【技术特征摘要】
1.一种输电线防外破的车辆识别与危险行为判别系统，其特征在于，该系统包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端，中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信，移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信，前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块，该前、后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。2.根据权利要求1所述的输电线防外破的车辆识别与危险行为判别系统，其特征在于，所述的前端输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。3.根据权利要求2所述的输电线防外破的车辆识别与危险行为判别系统，其特征在于，所述3/4G智能摄像机由视频成像模块、深度学习模块、预警模块、PTZ模块、压缩模块、存储模块及通信模块部件组成，视频成像模块实现图像采集与预处理；预警模块实现预警信息管理与信息上报；PTZ模块实现摄像机上下左右转动和镜头拉近或拉远，调整摄像机视野；压缩模块实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频；存储模块实现对压缩后的图片和视频在SD存储介质上进行存储和基于预警事件和时间戳的索引。4.根据权利要求1所述的输电线防外破的车辆识别与危险行为判别系统，其特征在于，深度学习算法分别部署于系统的前、后端，后端的中心管理平台实现深度学习算法中网络模型的建模、标注、训练，调整后端的深度学习网络网络模型及参数，并定时在线将最新的深度学习网络模型及参数传送到前端；前端收到后端发来的深度学习网络模型及参数后更新前端智能摄像机的深度学习网络及参数；前端的智能摄像机抓拍监测点过往车辆的图像，对采集的图像采用实时更新深度学习网络模型与参数进行分类识别和行为分析，判别出危险情况时，在线预警并将预警事件、图片及发生预警的车辆过往时前后短视频进行时间戳标注、压缩、存储并发往后端中心管理平台。5.根据权利要求4所述的输电线防外破的车辆识别与危险行为判别系统，其特征在于，前端智能摄像机中的深度学习模块的模型及参数配置是动态可调整的，其根据后端中心管理平台发来的数据及参数进行模型及参...

【专利技术属性】
技术研发人员：陆国强，王兴国，穆科明，郑伟国，
申请(专利权)人：南京杰迈视讯科技有限公司，
类型：发明
国别省市：江苏,32