一种基于深度学习的危险源识别方法与系统技术方案

本发明专利技术提供一种基于深度学习的危险源识别方法与系统，所述方法包括：S1、将摄像机采集到的图像以固定速率传输至后台服务器；S2、后台服务器将采集到的图像利用深度学习算法求得特征，以该特征作为运动图像的检测条件；S3、将所述特征输入系数字典，根据最优化稀疏表示求解得到运动目标；S4、利用双目视觉对由稀疏表示求得的运动特征进行定位，实现危险源识别。本发明专利技术解决了现有技术下输变电线路的危险源识别难度大的问题，有效降低了人工提取危险源特征的劳动复杂度，其对特征的表达较其他方法更加完整有效，最终实现对危险源运动特征的定位，保护输变电线路安全。

A method and system of hazard identification based on deep learning

The invention provides a hazard source identification method and system based on depth learning. The method includes: S1, transmitting the image captured by the camera to the background server at a fixed rate; S2 and the background server obtain the features of the captured images by the depth learning algorithm, and taking the features as the detection conditions of the moving images. 3. Input the feature into the coefficient dictionary and get the moving target according to the optimal sparse representation. 4. Use binocular vision to locate the moving feature obtained from the sparse representation to realize the hazard identification. The invention solves the problem of difficulty in identifying dangerous sources of transmission and transformation lines in the prior art, effectively reduces the labor complexity of extracting dangerous source features manually, and its expression of characteristics is more complete and effective than other methods, finally realizes the location of dangerous source motion characteristics, and protects the safety of transmission and transformation lines.

【技术实现步骤摘要】
一种基于深度学习的危险源识别方法与系统
本专利技术涉及信号与信息处理领域，特别是一种基于深度学习的危险源识别方法与系统。
技术介绍
深度学习算法，源于人工神经网络，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习领域的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习一样，深度机器学习方法也有监督学习和无监督学习之分，不同的学习框架下建立的学习模型不同。现今利用深度学习算法对图像进行识别已经得到了广泛的研究，在其应用方面，深度学习结合其他算法进行的车牌识别、人脸识别甚至表情识别已经出现了成熟的产品，但是对于特定场景的图像，尤其是带有运动目标的图像进行识别仍然是十分困难的，受限于运动情况、光照等诸多限制，运动图像识别应用于实际的工程中往往捉衿见肘。尤其是在输变电领域，输电线路周围存在的危险源，容易对输变电设备引发无可挽回的危害，由于危险源并非是静止的，因此对于危险源的识别往往存在不小的困难，如何将深度学习应用于输电线路的危险源识别，是本领域技术人员急需解决的一个重本文档来自技高网...

【技术保护点】
1.一种基于深度学习的危险源识别方法，其特征在于，包括以下步骤：S1、将摄像机采集到的图像以固定速率传输至后台服务器；S2、后台服务器将采集到的图像利用深度学习算法求得特征，以该特征作为运动图像的检测条件；S3、将所述特征输入系数字典，根据最优化稀疏表示求解得到运动目标；S4、利用双目视觉对由稀疏表示求得的运动特征进行定位，实现危险源识别。

【技术特征摘要】
1.一种基于深度学习的危险源识别方法，其特征在于，包括以下步骤：S1、将摄像机采集到的图像以固定速率传输至后台服务器；S2、后台服务器将采集到的图像利用深度学习算法求得特征，以该特征作为运动图像的检测条件；S3、将所述特征输入系数字典，根据最优化稀疏表示求解得到运动目标；S4、利用双目视觉对由稀疏表示求得的运动特征进行定位，实现危险源识别。2.根据权利要求1所述的一种基于深度学习的危险源识别方法，其特征在于，所述步骤S2具体为如下操作：S201、后台服务器将采集到的图像输入样本输入深度学习中卷积神经网络的卷积层进行卷积特征提取；S202、将卷积层得到的特征输入到池化层进行池化。3.根据权利要求2所述的一种基于深度学习的危险源识别方法，其特征在于，所述卷积特征提取具体操作如下：对原始图像进行取片操作，获取多个局部图像；利用局部图像作为训练数据构成训练集，将训练集数据进行白化预处理操作后送入神经网络；利用反向传播误差算法进行网络参数训练；将学习得到的网络作为滤波器对整幅原始图像进行卷积滤波，得到卷积特征。4.根据权利要求1所述的一种基于深度学习的危险源识别方法，其特征在于，所述步骤S3包括：S301、将深度卷积特征作为训练字典；S302、用稀疏表示求解最优化值。5.根据权利要求4所述的一种基于深度学习的危险源识别方法，其特征在于，所述用稀疏表示求解最优化值具体为：建立基于稀疏表示的运动目标检测模型；将运动目标检测模型转化为最优化求解目标函数；将目标函数分解为两个最优化目标，求解获得最优化值。6.根据权利要求...

【专利技术属性】
技术研发人员：李程启，白德盟，陈玉峰，杨祎，林颖，徐冉，秦佳峰，李露露，
申请(专利权)人：国网山东省电力公司电力科学研究院，国家电网公司，
类型：发明
国别省市：山东,37