一种基于深度学习的航拍巡线影像自动分类系统技术方案

本发明专利技术涉及一种基于深度学习的航拍巡线影像自动分类系统。该方法包括：建立巡线影像分类图像库及其标签库；建立深度学习模型，包括VGGNet、ResNet、DenseNet、NasNet等高性能分类模型；训练分类模型，训练过程中每次迭代的输入数据都随机执行数据增强操作，包括旋转、填充式裁剪、灰度化；将训练好的四个模型进行集成，获得集成模型；设定分类规则，将待检测影像输入集成模型，取置信度前三的三个图像类别作为待检测影像的分类结果，拷贝存储至三个类别的服务器存档地；持续优化分类模型，定期对自动分类系统进行性能升级。

An Automatic Classification System for Aerial Patrol Image Based on Deep Learning

The invention relates to an automatic classification system of aerial photographic cruise line images based on depth learning. The method includes: establishing image database and tag library of image classification for patrol line; establishing deep learning model, including high performance classification model such as VGGNet, ResNet, DenseNet and NasNet; training classification model, random data enhancement operation is performed on input data of each iteration in the training process, including rotation, filling clipping and graying; integrating the four trained models. To get the integration model; set classification rules, input the image to be detected into the integration model, take the three image categories of the first three confidence levels as the classification results of the image to be detected, and copy them to the server archives of the three categories; continuously optimize the classification model, and regularly upgrade the performance of the automatic classification system.

【技术实现步骤摘要】
一种基于深度学习的航拍巡线影像自动分类系统
本专利技术属于高压输电线路巡线技术、图像识别技术、机器学习
，具体涉及一种基于深度学习的航拍巡线影像自动分类系统。
技术介绍
输电线路承担着电力系统中电能输送的职能，对于输电线路的运检维护是各地电力部门的工作重心。近年来，无人机巡检因其具有经济性、灵活性与安全性，逐渐成为输电线路运检维护的主要手段之一。无人机航拍获得的影像，既可以让地面操作人员在现场直接确认明显的线路故障，也可以带回运检维护中心存储于服务器内，便于后续的数据诊断分析。输电线路的部件种类繁多，且数量庞大，光靠人工进行数据的诊断分析成本极高，需要人工智能算法辅助诊断。而目前的智能故障诊断算法对输电线路部件及其所处场景具有较高的针对性和依赖性，若图片中出现待诊断部件的图像特征同构体且训练数据中未曾出现过相似场景，则极易出现误识别。目前无人机影像的归类主要依据线路和杆塔号，各类部件混合在一起存放，大加了智能算法的诊断难度。因此，在巡线影像存储至服务器时，应当按照输电线路部件类别进行分类保存，按类诊断分析，提升智能诊断算法的性能，同时方便工作人员维护管理数据。无人机巡线影像数据本文档来自技高网...

【技术保护点】
1.一种基于深度学习的航拍巡线影像自动分类系统，其特征在于，包括如下步骤：步骤S1、建立巡线影像分类图像库及其标签库：包括不同类别部件的无人机巡线图片，所有图片分为八类：杆塔、基础、绝缘子、接地装置、附属设施、导地线、小金具、大金具；其中附属设施包括防鸟设施和杆塔标识牌，小金具包含螺栓和螺母等紧固件，大金具包含防震锤、线夹、均压环和间隔棒；每种图像类别皆包含故障图片和非故障图片，两者数量相近，所有图片按照八个类别进行不区分故障的标注；步骤S2、建立深度学习模型：建立深度卷积神经网络VGGNet、ResNet、DenseNet、NasNet高性能分类模型；步骤S3、数据增强：利用数据增强技术扩充...

【技术特征摘要】
1.一种基于深度学习的航拍巡线影像自动分类系统，其特征在于，包括如下步骤：步骤S1、建立巡线影像分类图像库及其标签库：包括不同类别部件的无人机巡线图片，所有图片分为八类：杆塔、基础、绝缘子、接地装置、附属设施、导地线、小金具、大金具；其中附属设施包括防鸟设施和杆塔标识牌，小金具包含螺栓和螺母等紧固件，大金具包含防震锤、线夹、均压环和间隔棒；每种图像类别皆包含故障图片和非故障图片，两者数量相近，所有图片按照八个类别进行不区分故障的标注；步骤S2、建立深度学习模型：建立深度卷积神经网络VGGNet、ResNet、DenseNet、NasNet高性能分类模型；步骤S3、数据增强：利用数据增强技术扩充步骤S1的图像库，增加图像库的内容多样性，具体做法是将图像库中的一张原图通过包括旋转、填充式裁剪、灰度化数据的增强操作，变换为一张新的图像；增强操作只出现在训练过程中，所有的操作以一定概率施加在原图上，然后作为本次模型迭代训练的输入数据；步骤S4、训练巡线影像分类模型：对步骤S1建立的...

【专利技术属性】
技术研发人员：缪希仁，刘欣宇，江灏，陈静，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35