【技术实现步骤摘要】
基于深度学习的大规模配电线路灾情抢修图像识别方法
本专利技术涉及深度学习的计算机视觉和图像处理领域，具体涉及基于深度学习的大规模配电线路灾情抢修图像识别方法。
技术介绍
对电力线路上的电线杆进行分类与统计，是电网维护与建设的关键部分，其直接影响着电网维护及建设的效率。电力线路上的各型电线杆因较难区分，采用的材料种类不易，且数量众多，需要专业人员花费大量时间进行实地勘察，电力线路多经过无人、地理环境复杂的区域，为实地勘察带来了极大的困难。利用计算机图像处理的方法取代人力，对处于复杂地形的电力线路进行勘察可以避免这些问题。当前的电线杆检测系统大多基于激光扫描系统，有研究所提出了一种基于车载激光扫描数据的电线杆自动识别与定位方法，能够自动识别电线杆，但该方法受地理因素及环境影响较大，无法适应复杂多变的环境状况。深度学习是近些年机器学习领域的一个重大突破，它使得计算机在语音、图像、语义理解等方面取得了重大进展，在众多领域得到了广泛应用。本项目将深度学习应用于配电线路检测，检测图像中的配电电线杆，对其工作状态识别。利用无人机航拍图片，对图片中的配电线路电线杆进行识别、分类，...
【技术保护点】
1.基于深度学习的大规模配电线路灾情抢修图像识别方法，其特征在于：包括以下步骤：步骤1、对配电线路开展倾斜拍摄以及激光扫描进行3D建模，收集电线杆照片作为该识别方法的训练素材；步骤2、在专业标注工具labelImg当中，使用矩形工具把图片中的电线杆位置标识出来，并且对电线杆进行人工分类，在标注工具labelImg中生成相应的位置信息和类别代码；步骤3、将生成相应的位置信息和类别代码输入yolo检测模型中进行训练，在训练过程中，使用L2正则化使神经元权重衰减，达到防治过拟合的效果，同时计算yolo检测模型对于训练数据的训练误差和对于验证数据的验证误差，绘制误差曲线；步骤4、分...
【技术特征摘要】
1.基于深度学习的大规模配电线路灾情抢修图像识别方法，其特征在于：包括以下步骤：步骤1、对配电线路开展倾斜拍摄以及激光扫描进行3D建模，收集电线杆照片作为该识别方法的训练素材；步骤2、在专业标注工具labelImg当中，使用矩形工具把图片中的电线杆位置标识出来，并且对电线杆进行人工分类，在标注工具labelImg中生成相应的位置信息和类别代码；步骤3、将生成相应的位置信息和类别代码输入yolo检测模型中进行训练，在训练过程中，使用L2正则化使神经元权重衰减，达到防治过拟合的效果，同时计算yolo检测模型对于训练数据的训练误差和对于验证数据的验证误差，绘制误差曲线；步骤4、分析误差曲线，在前期训练过程中，训练误差和验证误差会保持同步下降，在后期训练过程中，训练误差会趋向达到一个极限，验证误差会慢慢上升，所以当训练误差和验证误差分别达到设定比例时，停止训练系统，把训练得到的模型参数保存下来；步骤5、将保存下来的模型参数作为原始模型，并且把测试数据作为该识别方法的输入，对输入进行预处理，形成多个测试对象，该识别方法对多个测试对象分别进行卷积计算和池化计算，最后进行预测，然后取多种结果的平均值，输出配电线路电线杆的位置信息和分类信息。2.根据权利要求1所述的基于深度学习的大规模配电线路灾情抢修图像识别方法，其特征在于，所述步骤1中具体包括：利用热气球和飞艇对配电线路开展倾斜拍摄以及激光扫描进行3D建模，收集一万张，分辨率为3840*2160的电线杆照片作为该识别方法的训练素材。3.根据权利要求1所述的基于深度学习的大规模配电线路灾情抢修图像识别方法，其特征在于：所述步骤1中的电线杆的形态包...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。