基于深度学习的鸟巢检测方法及系统技术方案

本发明专利技术提供了一种基于深度学习的鸟巢检测方法及系统，涉及图像检测技术领域，该方法包括获取输电设备现场图像，对其进行变换处理得到变换图像以共同构建样本数据库；建立深度学习的检测模型；将样本数据库中的图像输入检测模型进行迭代训练，直至达到预设的训练准确度；获取输电设备上带有鸟巢的图像以构建验证集，将验证集中的图像输入检测模型验证，直至达到预设的验证准确度；获取输电设备上带有鸟巢的图像以构建测试集，将测试集中的图像输入检测模型测试，直至达到预设的测试准确度；将待检测图像输入检测模型检测，以输出目标缺陷图像。本发明专利技术实施例提供的鸟巢检测方法，可以智能排查输电设备上的鸟巢情况，提高获取鸟巢情况信息的实时性。

Bird's Nest Detection Method and System Based on Deep Learning

The invention provides a bird's nest detection method and system based on depth learning, which relates to the field of image detection technology. The method includes acquiring field images of transmission equipment, transforming them to obtain transformed images to construct a sample database together, establishing a detection model of depth learning, and training the image input detection model in the sample database iteratively until it reaches the goal. Preset training accuracy; acquire the image with bird's nest on the transmission equipment to construct verification set, and input the image in verification set to verify the detection model until the preset verification accuracy is achieved; acquire the image with bird's nest on the transmission equipment to construct test set, and input the image in the test set to test the detection model until the preset test accuracy is achieved; Image input detection model detection is used to output target defect image. The bird's nest detection method provided by the embodiment of the present invention can intelligently check the bird's nest situation on the transmission equipment and improve the real-time ability of obtaining the bird's nest information.

【技术实现步骤摘要】
基于深度学习的鸟巢检测方法及系统
本专利技术涉及图像检测
，尤其是涉及一种基于深度学习的鸟巢检测方法及系统。
技术介绍
目前输电线路产生故障的主要原因有：人为原因损坏、天气因素影响输电线路、输电线路受到污染、鸟害原因产生的输电线路故障等。为了保证电网的正常运行，必须输电线路上的缺陷进行监控、预警和防护。对于此问题，目前常用的方法是人工实地勘察，发现问题，再由工作人员进行排险。但是此种方案的问题在于工作量巨大巡视死角多，并且存在一定危险性，难以保证监控结果的准确性与实时性。近年来，随着无人机技术的兴起，对于输电线路的巡查开始逐渐由无人机低空遥感方式取代人工实地勘察，无人机巡查也因为其高效、准确、安全的优点得到了电力部门的采用。但是另一个需要解决的问题是，通过无人机取得的航拍图片数量十分巨大，如果仍然采用人工筛选、排查的方法处理如此大规模的图片，势必会遇到与人工实地勘察相似的问题，如准确性降低，难以保证缺陷信息的实时性等。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于深度学习的鸟巢检测方法及系统，可以智能筛选排查出输电设备上的鸟巢情况，提高获取输电线路设备上鸟巢情况信息的实时性。第一方面，本专利技术实施例提供了一种基于深度学习的鸟巢检测方法，包括：获取输电设备现场图像，对该输电设备现场图像进行变换处理以得到变换图像，并根据该输电设备现场图像和变换图像构建样本数据库；建立深度学习的检测模型，该检测模型的输入为样本数据库中的原始图像，该检测模型的输出为缺陷图像；将样本数据库中的图像输入检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；获取输电设备上带有鸟巢的图像以构建验证集，将验证集中的图像输入训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；获取输电设备上带有鸟巢的图像以构建测试集，将测试集中的图像输入验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；将待检测图像输入测试完成后的检测模型进行检测，以输出目标缺陷图像。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，上述对该输电设备现场图像进行变换处理以得到变换图像的步骤，包括：利用数据增强技术，对该输电设备现场图像进行变换处理以得到变换图像。结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，该数据增强技术包括旋转变换、反射变换、缩放变换、平移变换、尺度变换和噪声扰动中的一种或多种。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，在该检测模型进行迭代训练、验证和测试时，还包括：通过深度学习技术进行目标检测。结合第一方面的第三种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，该通过深度学习技术进行目标检测的步骤，包括：对图像进行区域选择，并遍历整幅图像，选择鸟巢目标区域，定位目标的位置；提取该鸟巢目标区域的特征信息；通过分类器对该特征信息进行分类。结合第一方面的第四种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，上述遍历整幅图像的步骤，包括：采用滑动窗口策略遍历整幅图像。结合第一方面的第四种可能的实施方式，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，上述提取该鸟巢目标区域的特征信息的步骤，包括：对该鸟巢目标区域进行基础特征提取，该基础特征包括轮廓特征和颜色特征；对提取的该基础特征进行多层复杂特征提取，该多层复杂特征包括轮廓分层特征和灰度图像特征；对提取的该多层复杂特征进行权重学习，输出权重较大的特征，以预测输出结果。结合第一方面的第五种可能的实施方式，本专利技术实施例提供了第一方面的第七种可能的实施方式，其中，该分类器为SVM分类器或Adaboost分类器。结合第一方面，本专利技术实施例提供了第一方面的第八种可能的实施方式，其中，该训练次数阈值为20万次，该训练准确度为90％；该验证次数阈值为12万次，该验证准确度为95％；该测试次数阈值为10万次，该测试准确度为99％。第二方面，本专利技术实施例还提供了一种基于深度学习的鸟巢检测系统，包括：样本数据库建立模块，用于获取输电设备现场图像，对该输电设备现场图像进行变换处理以得到变换图像，并根据该输电设备现场图像和该变换图像构建样本数据库；检测模型建立模块，用于建立深度学习的检测模型，该检测模型的输入为样本数据库中的原始图像，该检测模型的输出为缺陷图像；训练模块，用于将样本数据库中的图像输入检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；验证模块，用于获取输电设备上带有鸟巢的图像以构建验证集，将验证集中的图像输入训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；测试模块，用于获取输电设备上带有鸟巢的图像以构建测试集，将测试集中的图像输入该验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；检测输出模块，用于将待检测图像输入测试完成后的检测模型进行检测，以输出目标缺陷图像。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种基于深度学习的鸟巢检测方法及系统，该方法包括获取输电设备现场图像，对该输电设备现场图像进行变换处理以得到变换图像，并根据该输电设备现场图像和变换图像构建样本数据库；建立深度学习的检测模型，该检测模型的输入为样本数据库中的原始图像，该检测模型的输出为缺陷图像；将样本数据库中的图像输入检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；获取输电设备上带有鸟巢的图像以构建验证集，将验证集中的图像输入训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；获取输电设备上带有鸟巢的图像以构建测试集，将测试集中的图像输入验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；将待检测图像输入测试完成后的检测模型进行检测，以输出目标缺陷图像。本专利技术实施例提供的基于深度学习的鸟巢检测方法，通过建立图像模型对图像进行目标缺陷检测，缓解了现有技术中无法从海量图片进行筛选排查输电线路设备上的鸟巢情况的技术问题，实现对海量图片进行检测，可以智能筛选排查出输电设备上的鸟巢情况，提高获取输电线路设备上鸟巢情况信息的实时性。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于深度学习的鸟巢检测方法的流程图；图2为本专利技术实施例提供的一种样本数据库中的原始图像示意图；图3为本专利技术实施例提供的一种经过图像处理后的图像示意图；图4为本专利技术实施例提供的一种经过网格化处理后的图像示本文档来自技高网...

【技术保护点】
1.一种基于深度学习的鸟巢检测方法，其特征在于，包括：获取输电设备现场图像，对所述输电设备现场图像进行变换处理以得到变换图像，并根据所述输电设备现场图像和所述变换图像构建样本数据库；建立深度学习的检测模型，所述检测模型的输入为所述样本数据库中的原始图像，所述检测模型的输出为缺陷图像；将所述样本数据库中的图像输入所述检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；获取输电设备上带有鸟巢的图像以构建验证集，将所述验证集中的图像输入所述训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；获取输电设备上带有鸟巢的图像以构建测试集，将所述测试集中的图像输入所述验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；将待检测图像输入所述测试完成后的检测模型进行检测，以输出目标缺陷图像。

【技术特征摘要】
1.一种基于深度学习的鸟巢检测方法，其特征在于，包括：获取输电设备现场图像，对所述输电设备现场图像进行变换处理以得到变换图像，并根据所述输电设备现场图像和所述变换图像构建样本数据库；建立深度学习的检测模型，所述检测模型的输入为所述样本数据库中的原始图像，所述检测模型的输出为缺陷图像；将所述样本数据库中的图像输入所述检测模型进行迭代训练，直至达到预设的训练次数阈值或达到预设的训练准确度；获取输电设备上带有鸟巢的图像以构建验证集，将所述验证集中的图像输入所述训练完成后的检测模型进行验证，直至达到预设的验证次数阈值或达到预设的验证准确度；获取输电设备上带有鸟巢的图像以构建测试集，将所述测试集中的图像输入所述验证完成后的检测模型进行测试，直至达到预设的测试次数阈值或达到预设的测试准确度；将待检测图像输入所述测试完成后的检测模型进行检测，以输出目标缺陷图像。2.根据权利要求1所述的基于深度学习的鸟巢检测方法，其特征在于，所述对所述输电设备现场图像进行变换处理以得到变换图像的步骤，包括：利用数据增强技术，对所述输电设备现场图像进行变换处理以得到变换图像。3.根据权利要求2所述的基于深度学习的鸟巢检测方法，其特征在于，所述数据增强技术包括旋转变换、反射变换、缩放变换、平移变换、尺度变换和噪声扰动中的一种或多种。4.根据权利要求1所述的基于深度学习的鸟巢检测方法，其特征在于，在所述检测模型进行迭代训练、验证和测试时，还包括：通过深度学习技术进行目标检测。5.根据权利要求4所述的基于深度学习的鸟巢检测方法，其特征在于，所述通过深度学习技术进行目标检测的步骤，包括：对图像进行区域选择，并遍历整幅图像，选择鸟巢目标区域，定位鸟巢目标的位置；提取所述鸟巢目标区域的特征信息；通过分类器对所述特征信息进行分类。6.根据权利要求5所述的基于深度学习的鸟巢检测方法，其特征在于，所述遍历整幅图像的...

【专利技术属性】
技术研发人员：苏超，胡金磊，刘章浚，汪林生，邝振星，罗建军，阮伟聪，欧阳业，黄绍川，张峰，陈浩，欧锐明，唐小亮，尹祖春，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司清远供电局，
类型：发明
国别省市：广东,44