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 ...
【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
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。