一种输电线路异常目标检测方法技术

本发明专利技术公开了一种输电线路异常目标检测方法，包括：获取原始输电线路图像；利用残差网络和特征金字塔提取所述原始输电线路图像的特征，获得多尺度特征金字塔图集；将所述多尺度特征金字塔图集融合处理，获得融合后的特征图；将所述融合后的特征图输入非局部网络，进行特征增强，生成增强后的特征金字塔图集；将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中生成目标anchor，并进行特征自适应调整，生成修正后的特征金字塔图集；利用检测器检测所述修正后的特征金字塔图集，并利用损失函数修正检测结果，输出最终的目标检测结果。应用本发明专利技术，能够提高输电线路异常目标检测的准确性。

【技术实现步骤摘要】
一种输电线路异常目标检测方法
本专利技术属于图像数据处理
，具体地说，是涉及一种输电线路异常目标检测方法。
技术介绍
输电线路是我国能源互联网最重要的基础设施之一，其运行状态的安全稳定是电能传输的重要前提。近年来电网的外部环境日趋恶化，使得电网安全面临严峻考验。目前，输电线路排查异物主要有两种方法：人工巡检和无人机巡检。在我国多变的气候条件与复杂的地形地貌的情况下，保障中国超大规模的电力网络运行是一个艰巨的任务。对巡检工人来说，不仅危险系数高、劳动强度大，而且由于人员素质参差不齐，漏检误检事件时有发生，使得巡检效率低下。巡检人员需要携带专业设备深入高山峡谷，甚至深山老林，爬上几十米高的铁塔，开展电网巡检工作，碰上恶劣天气，依然要坚持在巡检一线，在巡检过程中，一旦发生高空坠落或触电等意外事故，后果不堪设想。随后，出现了无人机巡检。无人机空中飞行视野比较全面，相对于人工巡查的视野范围大了许多，并且无人机的速度，比起人工快了太多，无人机能充分发挥视野广、机动性好、时效性强、巡查范围广的优点。但是无人飞行器传回的大量图像数据还是需要人为地判断线路上是否存在异物，因此导致了这种方法的局限性。随着计算机视觉和深度学习的发展，输电线路的异常目标检测方法应运而生，甚至成为了目标检测领域研究的热点。公开号为CN109493337A的中国专利申请，公开了一种基于改进的FasterRCNN的输电线路异物检测方法，对FasterRCNN的网络结构进行改进，改变卷积核大小，神经元数量和网络中的超参数，对FasterRCNN中anchor(锚点框)大小比例进行调整，还对FasterRCNN原有的训练方式进行改进，采用端到端的联合训练方式，将采集到的异物图片预处理后投入已经训练好的网络进行异物的检测。该专利申请提出的异物检测方法，存在着下述的不足：(1)利用共享卷积神经网络对输入的图像进行特征提取，提取的特征直接送入RPN(区域生成网络)中，没有结合不同分辨率的特征图的特征，从而使特征没有被充分利用；(2)传统的RPN会生成大量的anchor(锚点框)，并且这些anchor大多数存在于背景区域，对于检测性能的提升没有正面效果。除了采用FasterRCNN方法实现目标检测之外，还可以采用MaskRCNN检测目标。若采用MaskRCNN检测输电线路异物，虽然可以使用特征金字塔对ResNet网络提取的特征进行融合，但是MaskRCNN中的特征金字塔只考虑相邻分辨率的特征融合，非相邻的特征仍不能充分利用。因此，现有输电线路异常目标检测的准确性不高。本
技术介绍
所公开的上述信息仅仅用于增加对本申请
技术介绍
的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。
技术实现思路
本专利技术的目的是提供一种输电线路异常目标检测方法，以提高检测准确性。为实现上述专利技术目的，本专利技术采用下述技术方案予以实现：一种输电线路异常目标检测方法，其特征在于，所述方法包括：获取原始输电线路图像；利用残差网络和特征金字塔提取所述原始输电线路图像的特征，获得多尺度特征金字塔图集；将所述多尺度特征金字塔图集融合处理，获得融合后的特征图；将所述融合后的特征图输入非局部网络，进行特征增强，生成增强后的特征金字塔图集；将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中，分别预测anchor位置和anchor形状，将所述anchor位置和所述anchor形状结合生成目标anchor，再利用所述目标anchor对所述增强后的特征金字塔图集进行特征自适应调整，生成修正后的特征金字塔图集；利用检测器检测所述修正后的特征金字塔图集，并利用损失函数修正检测结果，输出最终的目标检测结果。与现有技术相比，本专利技术的优点和积极效果是：本专利技术提供的输电线路异常目标检测方法，利用残差网络和特征金字塔提取原始输电线路图像的特征，获得多尺度特征金字塔图集，然后再利用非局部网络对多尺度特征金字塔图集融合处理后的特征图进行特征增强，达到了去噪的效果，提高了特征图的分辨率，使特征图更具有分辨性，有效解决了输电线路异常目标数据集图片不清晰，特征提取不准确的问题，利于提高输电线路异常目标检测准确性；采用了特征指导anchor生成机制，基于增强后的特征金字塔图集的特征图，预测anchor位置和形状，生成目标anchor，并基于目标anchor对特征图进行特征自适应调整，不仅可以提高anchor的生成效率，还可以生成稀疏、形状任意的anchor，提高了提议区域的质量，有利于分类和回归，进一步提高了输电线路异常目标检测的准确性。结合附图阅读本专利技术的具体实施方式后，本专利技术的其他特点和优点将变得更加清楚。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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是基于本专利技术输电线路异常目标检测方法一个实施例的流程图；图2是部分原始输电线路图像；图3是对图2的原始输电线路图像采用图1的方法后的输出结果图像；图4是构建特征金字塔的一个结构示意图；图5是基于非局部网络进行特征增强的一个结构示意图；图6是特征指导的anchor生成机制的一个结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本专利技术作进一步详细说明。请参见图1，该图所示为基于本专利技术输电线路异常目标检测方法一个实施例的流程图。具体来说，是采用特征增强和特征指导的anchor生成机制实现输电线路异常目标检测方法的一个实施例的流程图。如图1所示，该实施例采用下述方法进行输电线路异常目标检测，以提高检测准确性。步骤11：获取原始输电线路图像。具体的，可以将输电线路视频监控采集的图片，作为原始输电线路图像。部分原始输电线路图像如图2所示。步骤12：利用残差网络和特征金字塔提取原始输电线路图像的特征，获得多尺度特征金字塔图集。然后，将多尺度特征金字塔图集融合处理，获得融合后的特征图。在该步骤中，将原始输电线路图像作为输入，输入至残差网络，以全卷积的方式输出多个级别的、按比例大小的特征图。在一个优选实施例中，残差网络采用ResNet-101网络，该ResNet-101网络的具体结构如下表(一)所示。Resnet-101输入输出输出维度卷积核大小Conv1224x224112*112647*7，64Conv2_x112*11256*56643*3，64Conv3_x56*5628*28128...

【技术保护点】
1.一种输电线路异常目标检测方法，其特征在于，所述方法包括：/n获取原始输电线路图像；/n利用残差网络和特征金字塔提取所述原始输电线路图像的特征，获得多尺度特征金字塔图集；/n将所述多尺度特征金字塔图集融合处理，获得融合后的特征图；/n将所述融合后的特征图输入非局部网络，进行特征增强，生成增强后的特征金字塔图集；/n将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中，分别预测anchor位置和anchor形状，将所述anchor位置和所述anchor形状结合生成目标anchor，再利用所述目标anchor对所述增强后的特征金字塔图集进行特征自适应调整，生成修正后的特征金字塔图集；/n利用检测器检测所述修正后的特征金字塔图集，并利用损失函数修正检测结果，输出最终的目标检测结果。/n

【技术特征摘要】
1.一种输电线路异常目标检测方法，其特征在于，所述方法包括：
获取原始输电线路图像；
利用残差网络和特征金字塔提取所述原始输电线路图像的特征，获得多尺度特征金字塔图集；
将所述多尺度特征金字塔图集融合处理，获得融合后的特征图；
将所述融合后的特征图输入非局部网络，进行特征增强，生成增强后的特征金字塔图集；
将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中，分别预测anchor位置和anchor形状，将所述anchor位置和所述anchor形状结合生成目标anchor，再利用所述目标anchor对所述增强后的特征金字塔图集进行特征自适应调整，生成修正后的特征金字塔图集；
利用检测器检测所述修正后的特征金字塔图集，并利用损失函数修正检测结果，输出最终的目标检测结果。


2.根据权利要求1所述的输电线路异常目标检测方法，其特征在于，所述非局部网络通过非局部建模实现，所述非局部建模公式为：






其中，yi表示当前点与全局所有信息关系的函数值，x是输入信号，i是输出位置的索引，j表示图像上的每一个位置，函数f用来计算输入信号x在位置i和位置j之间的相似关系，函数g用来计算输入信号x在位置j的特征值，C(x)为归一化因子。


3.根据权利要求2所述的输电线路异常目标检测方法，其特征在于，所述函数f的表达式为：θ(xi)＝Wθxi,φ(xj)＝Wφxj；Wθ、Wφ均为权重，通过训练学习确定；
所述函数g的表达式为：g(xj)＝Wgxj；Wg为权重，通过训练学习确定。


4.根据权利要求1至3中任一项所述的输电线路异常目标检测方法，其特征在于，将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中，预测anchor位置，具体包括：
对所述增强后的特征金字塔图集中的每个特征图运用一个NL网络，生成一张概率图，图上每一点的概率表示该点为目标物体中心的概率；
设置概率阈值，筛选出概率大于所述概率阈值的点，将其预测为anchor的中心位置；
所述NL网络包括一个1×1卷积运算和一个sigmoid函数，所述1×1卷积运算用于对特征图生成相同大小的映射；所述sigmoid函数用于生成概率图。


5.根据权利要求1至3中任一项所述的输电线路异常目标检测方法，其特征在于，将所述增强后的特征金字塔图集中的每个特征图输入到特征指导anchor生成机制中，预测anchor形状，具体包括：
对所述增强后的特征金字塔图集中的每个特征图运用一个NS网络，生成尺寸相同的两个通道的映射，分...

【专利技术属性】
技术研发人员：李辉，董燕，刘亚鹏，王传旭，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37