输电线路中的鸟巢自动识别系统及其方法和应用技术方案

本发明专利技术属于计算机视觉技术领域，特别设计一种自动识别系统及其方法和应用，尤其涉及公开了一种输电线路中的鸟巢自动识别系统及其方法和应用。所述方法包括Faster‑Rcnn样本制作、Faster‑Rcnn模型训练、Faster‑Rcnn模型测试与修正、Faster‑Rcnn模型的使用和Faster‑Rcnn模型参数的更新步骤。本发明专利技术的方法可对输电线路中存在的鸟巢进行自动识别与预警，帮助检修人员快速定位、清理鸟巢，从而保证电网的安全运行。

Bird's Nest Automatic Identification System in Transmission Line and Its Method and Application

The invention belongs to the field of computer vision technology, in particular to the design of an automatic identification system and its method and application, in particular to the disclosure of an automatic bird's nest identification system in a transmission line and its method and application. The method includes sample making of Faster Rcnn, training of Faster Rcnn model, testing and revising of Faster Rcnn model, using of Faster Rcnn model and updating steps of parameters of Faster Rcnn model. The method of the invention can automatically identify and warn the bird nest existing in the transmission line, help the maintenance personnel locate and clean the bird nest quickly, thereby ensuring the safe operation of the power grid.

【技术实现步骤摘要】
输电线路中的鸟巢自动识别系统及其方法和应用
本专利技术属于计算机视觉
，特别设计一种自动识别系统及其方法和应用，尤其涉及一种输电线路中的鸟巢自动识别系统及其方法和应用。
技术介绍
鸟害、雷害和外力破坏是架空输电线路三大主要障碍，鸟害是危及输电线路安全运行的主要故障之一，据统计，鸟害所占的比例约为32％。近年来，随着我国自然环境的不断改善，以及相关保护动物的法律法规的不断完善，鸟类的繁衍逐渐加快，鸟类活动日渐频繁，架空输电线路鸟害故障逐年增多，严重威胁着电网的全运行。为减少和遏止鸟害事故，有必要通过鸟巢清理的方式为输电线路的使用和运行保驾护航。随着电网智能化水平不断提高，无人机巡检被越来越多的采用，通过输电线路中的鸟巢自动识别方法，可对输电线路中存在的鸟巢进行自动识别与预警，帮助检修人员快速定位、清理鸟巢，从而保证电网的安全运行。
技术实现思路
本专利技术的目的是提供一种输电线路中的鸟巢自动识别系统及其方法和应用，可对输电线路中存在的鸟巢进行自动识别与预警，帮助检修人员快速定位、清理鸟巢，从而保证电网的安全运行。为此，本专利技术技术方案如下：第一方面，本专利技术提供一种输电线路中的鸟巢自动识别方法，包括以下步骤：(1)Faster-Rcnn样本制作：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取部分图片作为训练数据集，其余的图片作为测试数据集；(2)Faster-Rcnn模型训练：将步骤(1)所述训练数据集输入到Faster-Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster-Rcnn模型的参数进行更新，迭代后得到完成训练的Faster-Rcnn模型；(3)Faster-Rcnn模型测试与修正：使用步骤(1)的测试数据集对完成训练的Faster-Rcnn模型进行测试，得到其准确率；(4)Faster-Rcnn模型的使用：将无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn模型，提取出其中包含鸟巢的区域，并将鸟巢所在位置标注出来；(5)Faster-Rcnn模型参数的更新：在已识别的结果中抽取典型图片，重新制作新的训练样本，在原有Faster-Rcnn模型的基础上不断更新模型参数。优选地，步骤(1)中无人机输电线路巡检图片的数量为至少10万张，优选为20-50万张，例如可以是11万张、12万张、13万张、14万张、15万张、16万张、17万张、18万张、19万张、20万张、21万张、22万张、23万张、24万张、25万张、30万张、35万张、40万张、45万张、50万张、55万张、60万张及所述范围内的所有取值，由于篇幅的限制在此不再列举赘述。优选地，步骤(1)中从所述带标签的图片中随机选取总数量9/10的图片作为训练数据集，其余1/10的图片作为测试数据集。优选地，步骤(2)中迭代至少20万步，优选为30-50万步。作为优选的技术方案，所述输电线路中的鸟巢自动识别方法包括以下步骤：(1)Faster-Rcnn样本制作：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取总数量9/10的图片作为训练数据集，其余1/10的图片作为测试数据集；无人机输电线路巡检图片的数量为至少10万张；(2)Faster-Rcnn模型训练：将步骤(1)所述训练数据集输入到Faster-Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster-Rcnn模型的参数进行更新，迭代至少20万步后得到完成训练的Faster-Rcnn模型；(3)Faster-Rcnn模型测试与修正：使用步骤(1)的测试数据集对完成训练的Faster-Rcnn模型进行测试，得到其准确率；(4)Faster-Rcnn模型的使用：将无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn模型，提取出其中包含鸟巢的区域，并将鸟巢所在位置标注出来；(5)Faster-Rcnn模型参数的更新：在已识别的结果中抽取典型图片，重新制作新的训练样本，在原有Faster-Rcnn模型的基础上不断更新模型参数。第二方面，本专利技术提供一种输电线路中的鸟巢自动识别系统，包括以下模块：(1)Faster-Rcnn样本制作模块：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取部分图片作为训练数据集，其余的图片作为测试数据集；(2)Faster-Rcnn模型训练模块：用于将模块(1)所述训练数据集输入到Faster-Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster-Rcnn模型的参数进行更新，迭代后得到完成训练的Faster-Rcnn模型；(3)Faster-Rcnn模型测试与修正模块：用于使用模块(1)的测试数据集对完成训练的Faster-Rcnn模型进行测试，得到其准确率；(4)Faster-Rcnn模型的使用模块：用于将无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn模型，提取出其中包含鸟巢的区域，并将鸟巢所在位置标注出来；(5)Faster-Rcnn模型参数的更新模块：用于在已识别的结果中抽取典型图片，重新制作新的训练样本，在原有Faster-Rcnn模型的基础上不断更新模型参数。优选地，模块(1)中无人机输电线路巡检图片的数量为至少10万张，优选为20-50万张。优选地，模块(1)中从所述带标签的图片中随机选取总数量9/10的图片作为训练数据集，其余1/10的图片作为测试数据集。优选地，模块(2)中迭代至少20万步，优选为30-50万步。第三方面，本专利技术提供如本专利技术第一方面所述的输电线路中的鸟巢自动识别方法在输电线路监控方面的应用。与现有技术相比，本专利技术的输电线路中的鸟巢自动识别方法使用多目标识别算法从无人机巡检照片或视频中识别并定位鸟巢。所述的多目标物体识别方法，采用Faster-Rcnn算法，可以同时从一张无人机巡检图片中识别出所有的鸟巢；进一步，所述Faster-Rcnn算法主要分为两个步骤：先使用ResNet从原始图片中提取特征，然后使用RPNNet提取可能存在鸟巢的区域。本专利技术采用深度学习技术对无人机巡检获得的输电线路照片进行自动分析，从图片中自动识别出输电线路中存在的鸟巢，通过不断添加新的训练样本持续更新深度神经网络模型，使得对鸟巢识别的准确率不断提高。本专利技术创造性地利用RESNET深度神经网络和Faster-Rcnn算法自动从无人机巡检照片中识别出鸟巢，分析过程具有准确率高、处理速度快、可靠性好等优点，实现了输电线路巡检照片的自动分析，无需人工参与即可完成，提高了检出效率，降低了人工成本。本专利技术使用深度学习技术处理无人机输电线路巡检照片，能够自动识别出输电线路中的鸟巢，以取代人工判别的方式，以便检修人员进行鸟害清理的工作；通过深度学习算法完成对输电线路巡检照片的自动处理，大大降低人工劳动强度；通过模型的不断更新和优化，准确率将会不断提升；经过上期试验证实，本专利技术的方法对于鸟巢的识别准确率高达98％。采用最先进的并行计算加速技术处理速度快，能够使处理速度基本能够达到实时的效果。附图说明图1为本专利技术的模型训练流程示意图。图2为本专利技术的本文档来自技高网...

【技术保护点】
1.一种输电线路中的鸟巢自动识别方法，其特征在于，包括以下步骤：(1)Faster‑Rcnn样本制作：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取部分图片作为训练数据集，其余的图片作为测试数据集；(2)Faster‑Rcnn模型训练：将步骤(1)所述训练数据集输入到Faster‑Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster‑Rcnn模型的参数进行更新，迭代后得到完成训练的Faster‑Rcnn模型；(3)Faster‑Rcnn模型测试与修正：使用步骤(1)的测试数据集对完成训练的Faster‑Rcnn模型进行测试，得到其准确率；(4)Faster‑Rcnn模型的使用：将无人机巡检得到的输电线路设备照片首先送入Faster‑Rcnn模型，提取出其中包含鸟巢的区域，并将鸟巢所在位置标注出来；(5)Faster‑Rcnn模型参数的更新：在已识别的结果中抽取典型图片，重新制作新的训练样本，在原有Faster‑Rcnn模型的基础上不断更新模型参数。

【技术特征摘要】
1.一种输电线路中的鸟巢自动识别方法，其特征在于，包括以下步骤：(1)Faster-Rcnn样本制作：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取部分图片作为训练数据集，其余的图片作为测试数据集；(2)Faster-Rcnn模型训练：将步骤(1)所述训练数据集输入到Faster-Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster-Rcnn模型的参数进行更新，迭代后得到完成训练的Faster-Rcnn模型；(3)Faster-Rcnn模型测试与修正：使用步骤(1)的测试数据集对完成训练的Faster-Rcnn模型进行测试，得到其准确率；(4)Faster-Rcnn模型的使用：将无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn模型，提取出其中包含鸟巢的区域，并将鸟巢所在位置标注出来；(5)Faster-Rcnn模型参数的更新：在已识别的结果中抽取典型图片，重新制作新的训练样本，在原有Faster-Rcnn模型的基础上不断更新模型参数。2.根据权利要求1所述的输电线路中的鸟巢自动识别方法，其特征在于，步骤(1)中无人机输电线路巡检图片的数量为至少10万张，优选为20-50万张。3.根据权利要求1或2所述的输电线路中的鸟巢自动识别方法，其特征在于，步骤(1)中从所述带标签的图片中随机选取总数量9/10的图片作为训练数据集，其余1/10的图片作为测试数据集。4.根据权利要求1-3中任一项所述的输电线路中的鸟巢自动识别方法，其特征在于，步骤(2)中迭代至少20万步，优选为30-50万步。5.根据权利要求1-4中任一项所述的输电线路中的鸟巢自动识别方法，其特征在于，包括以下步骤：(1)Faster-Rcnn样本制作：将无人机输电线路巡检图片进行人工标注，标出图中所有的鸟巢，形成带标签的图片；从所述带标签的图片中随机选取总数量9/10的图片作为训练数据集，其余1/10的图片作为测试数据集；无人机输电线路巡检图片的数量为至少10万张；(2)Faster-Rcnn模型训练：将步骤(1)所述训练数据集输入到Faster-Rcnn中对模型进行训练，训练使用随机梯度下降方法对Faster-Rcnn模型的参数进行更新，迭代至少20万步后得到完成训练的Faster-Rcnn...

【专利技术属性】
技术研发人员：鲁轩，张伟龙，任杰，李马骁，许可，冯喜龙，付明，张鹏睿，
申请(专利权)人：国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：天津,12