基于深度学习技术的输电线路场景语义理解方法技术

本发明专利技术涉及输电线路隐患检测技术领域，具体涉及一种基于深度学习技术的输电线路场景语义理解方法，包括以下步骤：a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。本发明专利技术能快速地检测输电线路场景隐患类别和等级，在GPU上的检测速度达到百毫秒级。

Semantic understanding method of transmission line scene based on deep learning technology

【技术实现步骤摘要】
基于深度学习技术的输电线路场景语义理解方法
本专利技术涉及输电线路隐患检测
，具体涉及一种基于深度学习技术的输电线路场景语义理解方法。
技术介绍
在电力行业，输电线路的安全问题至关重要。传统的巡检方式是人工对输电线路进行监测，人工巡线存在巡视真空期，不能实时掌握线路走廊变化情况，并且输电线路纵横跨度大、分布地形复杂。线路状态参数种类繁多，很多环节不易人工发现，极大地消耗了人力，降低了效率。目前，基于人工智能技术的输电线路智能监控方法主要是通过人工智能分析技术对现场图片进行隐患检测，得到现场的隐患物体和位置。然而这些基本的隐患检测不能明确表达隐患的场景、预警等级，导致运维人员还需要人工分析预警的图片，进而得到有隐患图片的预警等级，最终采取不同的预警措施。综上所述，如何提供一种高效、可靠的基于深度学习技术的输电线路场景语义理解系统及方法，准确快速的得到输电线路隐患的场景和预警等级，是目前本领域技术人员亟待解决的问题。
技术实现思路
为了解决上述技术问题中的不足，本专利技术的目的在于：提供一种基于深度学习技术的输电线路场景语义理解方法，实现了输电线路场景隐患施工机械的准确高效的检测，并且对当前场景下的隐患进行语义表述。本专利技术为解决其技术问题所采用的技术方案为：所述基于深度学习技术的输电线路场景语义理解方法，包括以下步骤：a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。步骤b包含以下步骤：b1：基于步骤a所述输电线路范围内的图片，获取场景隐患图片并进行相关语义的标注；b2：利用神经网络模型对场景隐患图片数据集进行训练，训练完成之后获得场景隐患监测模型；b3：将b2所述的模型部署到服务器中，由服务器加载模型参数；b4：将摄像机新拍摄并上传的图片作为测试集，对模型进行测试；b5：生成场景语义结果和隐患等级并发出报警，交由人工处理。优选的，神经网络模型是更适合场景隐患的图像语义理解算法，该算法基于CNN+RNN算法的encoder-decoder模式进行改进，使用带有视觉标记的自适应的attention机制，上下文变量根据当前时刻的隐藏态生成，在上面的attention机制上，加入adaptive机制，使得模型可以自己决定生成单词的时候是根据先验知识还是根据图像中区域。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术能快速地检测输电线路场景隐患类别和等级，在GPU上的检测速度达到百毫秒级。(2)本专利技术使用图像语义理解模型Imagecaption算法，并做了针对性的改进工作，实现了高精度的输电线路场景语义理解和隐患等级检测。在国家电网的输电通道图像数据集中，场景语义理解和隐患等级检测的准确率提升到77％。附图说明图1是本专利技术中的确定方法的流程示意图。图2是Imagecaption整体架构。图3是encoder-decoder框架。具体实施方式下面对本专利技术实施例做进一步描述：实施例1如图1-3所示，本专利技术所述基于深度学习技术的输电线路场景语义理解方法，包括以下步骤：a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。步骤b包含以下步骤：b1：基于步骤a所述输电线路范围内的图片，获取场景隐患图片并进行相关语义的标注；b2：利用神经网络模型对场景隐患图片数据集进行训练，训练完成之后获得场景隐患监测模型；b3：将b2所述的模型部署到服务器中，由服务器加载模型参数；b4：将摄像机新拍摄并上传的图片作为测试集，对模型进行测试；b5：生成场景语义结果和隐患等级并发出报警，交由人工处理。神经网络模型是更适合场景隐患的图像语义理解算法，该算法基于CNN+RNN算法的encoder-decoder模式进行改进，使用带有视觉标记的自适应的attention机制，上下文变量根据当前时刻的隐藏态生成，在上面的attention机制上，加入adaptive机制，使得模型可以自己决定生成单词的时候是根据先验知识还是根据图像中区域。所述通过4G网络传入服务器是指，摄像机系统中包含4G网络的接入和控制设备，控制设备自动将摄像机抓拍的监控图片上传到服务器中，4G网络的接入设备能够连接到电信运营商的无线网络中，进行图片的远程传输。所述使用神经网络模型训练含有隐患的场景图片并获得模型进行检测生成场景语义结果是指，获取场景隐患图片，利用图像语义理解Imagecaption技术，这种算法的整体结构如图2所示，这种模型采用了encoder-decoder框架如图3所示，该算法基于CNN+RNN算法进行改进，在原本的基础上添加了自适应注意力Attention机制，加入了Attention之后更加符合人眼直观感受。该模型基于隐藏状态，decoder会关注图像的不同区域，ct就是该区域经过CNN后提取出的特征映射。ht是t时刻RNN的隐藏状态。V代表了k个区域的图像特征。Attention机制先生成ht,每一个时刻的上下文变量Zt由图像特征和ht得到。ht与Zt、前一个时刻的输出(当前时刻的输入)结生成下一个单词的概率。上下文变量根据当前时刻的隐藏态生成。另外，在注意力Attention模型基础上添加adaptive机制，adaptive机制就是在原有的LSTM基础上加了两个公式：gt＝σ(WxXt+WhHt-1)st＝gt⊙tanh(mt)Xt是LSTM的输入，mt是细胞状态，贯穿整个LSTM,包含了语言模型，t时刻之前的信息。而自适应attention模型中的上下文变量zt'＝βtst+(1-βt)ct，c'＝βtst+(1-βt)ct,βt∈[0,1],控制模型关注的程度。每一个时刻zt'和ht共同产生预测结果。训练已经获取的场景隐患图片，获得场景隐患检测数据集的模型进行检测，进而生成语义结果和隐患等级。本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术的输电线路场景语义理解方法，其特征在于，包括以下步骤：/na、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；/nb、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。/n

【技术特征摘要】
1.一种基于深度学习技术的输电线路场景语义理解方法，其特征在于，包括以下步骤：
a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；
b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。


2.根据权利要求1所述的基于深度学习技术的输电线路场景语义理解方法，其特征在于，
步骤b包含以下步骤：
b1：基于步骤a所述输电线路范围内的图片，获取场景隐患图片并进行相关语义的标注；
b2：利用神经网络模型对场景隐患图片数据集进行训练，训练完成之后获得场景隐患监测模型；
b3：将b2所述的模型部...

【专利技术属性】
技术研发人员：胡志坤，樊思萌，邓运涛，付琳，张建鑫，徐威，魏澳，
申请(专利权)人：智洋创新科技股份有限公司，
类型：发明
国别省市：山东;37