基于Faster RCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质技术方案

本发明专利技术提出基于Faster RCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质。所述识别方法包括步骤：构建训练样本：获取包含异物的输电线路环境图像，将图片中的异物的边框坐标标出，并给每个边框添加分类标签，得到样本图像；搭建Faster RCNN网络模型，利用样本图像训练Faster RCNN网络模型，直至损失函数的值达到预设的阈值条件；重新采集输电线路环境图像，将新采集的输电线路环境图像输入训练好的Faster RCNN网络模型中，得到图像中异物的分类结果。本发明专利技术可以自动对采集到的输电线路环境图像中的异物进行识别，无需输电线路检修人员在后台长时间的监控输电线路环境监控视屏，节省了输电线路检修人员的工作量。

【技术实现步骤摘要】
基于FasterRCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质
本专利技术涉及输电线路
，尤其是一种基于FasterRCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质。
技术介绍
我国幅员辽阔，高压输电线路的覆盖面广、点多、线长，因此输电线路维护工作是保障输电线路正常工作的重中之重。在危害输电线路的因素中，比较多的有鸟害、覆冰、垃圾等杂物缠绕以及高大的施工车辆刮碰等，这些都会导致输电线发生故障甚至损毁。通常只能通过多次巡检来及时发现这些隐患，以前是通过人工巡逻，但由于输电线路中有部分架设的位置比较特殊，不易于人工观察，因此近年来逐渐通过机器代替人工巡逻，例如在输电线塔杆上安装摄像头，或者通过无人机巡航采集输电线路环境信息。但上述方式中，采集到的环境信息还是需要人力进行分辩，工作量仍然较大，若能实现根据采集到的输电线路环境信息进行异物的自动识别和分别，则能够大大节省输电线路维护人员的工作量，并且相较于人工检测，自动检测能够提高检测的准确度。
技术实现思路
专利技术目的：本专利技术旨在提出一种能够自动识别输电线路环境中异物的方案，具体是一种基于FasterRCNN的输电线路环境中异物识别方法、系统及计算机可读存储介质。技术方案：为实现上述目的，本专利技术提出以下技术方案：基于FasterRCNN的输电线路环境中异物识别方法，包括步骤：(1)构建训练样本：获取包含异物的输电线路环境图像，将图片中的异物的边框坐标标出，并给每个边框添加分类标签，得到样本图像；(2)搭建FasterRCNN网络模型，利用样本图像训练FasterRCNN网络模型，直至损失函数的值达到预设的阈值条件；(3)重新采集输电线路环境图像，将新采集的输电线路环境图像输入训练好的FasterRCNN网络模型中，得到图像中异物的分类结果。进一步的，在所述基于FasterRCNN的输电线路环境中异物识别方法中，所述异物包括施工车辆、飞鸟和漂浮物。进一步的，所述FasterRCNN网络模型包括特征提取网络、区域生成网络和目标检测器；特征提取网络提取输入的输电线路环境图像的特征图像featuremap；区域生成网络根据特征图像featuremap生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像featuremap上，得到每个异物候选框的低维特征；这些低维特征送入目标检测器的全连接层进行回归和分类，得到异物的边框坐标和分类结果。进一步的，所述损失函数为：其中，Imgin表示输入图像，Ncls为前景总数，pi表示预测出第i个异物候选框对应类别的概率，为预测出第i个异物候选框为对应的真实边框的概率，ti表示第i个异物候选框的坐标信息，为对应的真实边框的坐标信息；为分类损失函数，为边框回归损失函数，λ为平衡参数。一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，所述处理器通过所述的训练好的FasterRCNN网络模型识别输电线路环境图像中的异物。基于FasterRCNN的输电线路环境中异物识别系统，包括：图像采集模块和处理器；其中，图像采集模块采集输电线路环境图像后发送给处理器，处理器内存储有计算机可执行指令，处理器执行所述计算机可执行指令时，通过所述的训练好的FasterRCNN网络模型识别接收到的输电线路环境图像中的异物。有益效果：与现有技术相比，本专利技术具有以下优势：本专利技术通过带有不同异物标记的图像去训练神经网络，利用神经网络具有记忆的特性采用训练好的神经网络提取不同异物的特征，并进行分类，最后输出不同异物的轮廓和类别。通过本专利技术提供的技术方案，可以自动对采集到的输电线路环境图像中的异物进行识别，无需输电线路检修人员在后台长时间的监控输电线路环境监控视屏，在很大程度上节省了输电线路检修人员的工作量。且采用多个样本训练出来的神经网络精确度较高，相比人工观察检测视屏并发现问题，神经网络的分类和判断结果准确性更高，可以很大程度上减少错判、漏判和误判的情况。附图说明图1为本专利技术所涉及的基于FasterRCNN的输电线路环境中异物识别方法的流程图；图2为实施例中所涉及的FasterRCNN的工作流程图；图3为实施例中涉及的基于FasterRCNN的输电线路环境中异物识别系统的结构图。具体实施方式下面将结合附图和具体实施例对本专利技术作更进一步的说明。但应当理解的是，本专利技术可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本专利技术限制于所说明的具体实施例。应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本专利技术范围内的另外的实施例。此外，本专利技术所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本专利技术的保护范围。图1为本专利技术所涉及的基于FasterRCNN的输电线路环境中异物识别方法的流程图，如图所示，所述基于FasterRCNN的输电线路环境中异物识别方法包括以下步骤：(1)构建训练样本：获取包含异物的输电线路环境图像，将图片中的异物的边框坐标标出，并给每个边框添加分类标签，得到样本图像；(2)搭建FasterRCNN网络模型，利用样本图像训练FasterRCNN网络模型，直至损失函数的值达到预设的阈值条件；(3)重新采集输电线路环境图像，将新采集的输电线路环境图像输入训练好的FasterRCNN网络模型中，得到图像中异物的分类结果。在所述基于FasterRCNN的输电线路环境中异物识别方法的一个实施例中，所述异物包括施工车辆、飞鸟和漂浮物，具体可以根据需求设置，其他可设置的选项也应纳入本专利技术的保护范围中。在所述基于FasterRCNN的输电线路环境中异物识别方法的一个实施例中，FasterRCNN网络模型包括特征提取网络、区域生成网络和目标检测器，所述FasterRCNN的工作流程如图2所示：特征提取网络提取输入的输电线路环境图像的特征图像featuremap；区域生成网络根据特征图像featuremap生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像featuremap上，得到每个异物候选框的低维特征；这些低维特征送入目标检测器的全连接层进行回归和分类，得到异物的边框坐标和分类结果。所述FasterRCNN网络模型的训练过程如下：数据收集：从拍摄到的输电线路环境图像中选取10000张图片，将图片归一化至所述FasterRCNN网络输入层规定的大小，然后在归一化后的图片上将图中的异物框出，并添加标记，这个标记包括异物边框的坐标和异物类别；神经网络训练：将添加标记的图片送入FasterRCNN网络并通过tensorflow框架训练网络，直到损失函数的值满足阈值条件。在本实施例中，所述损失函数为：其中，本文档来自技高网...

【技术保护点】
1.基于Faster RCNN的输电线路环境中异物识别方法，其特征在于，包括步骤：/n(1)构建训练样本：获取包含异物的输电线路环境图像，将图片中的异物的边框坐标标出，并给每个边框添加分类标签，得到样本图像；/n(2)搭建Faster RCNN网络模型，利用样本图像训练Faster RCNN网络模型，直至损失函数的值达到预设的阈值条件；/n(3)重新采集输电线路环境图像，将新采集的输电线路环境图像输入训练好的FasterRCNN网络模型中，得到图像中异物的分类结果。/n

【技术特征摘要】
1.基于FasterRCNN的输电线路环境中异物识别方法，其特征在于，包括步骤：
(1)构建训练样本：获取包含异物的输电线路环境图像，将图片中的异物的边框坐标标出，并给每个边框添加分类标签，得到样本图像；
(2)搭建FasterRCNN网络模型，利用样本图像训练FasterRCNN网络模型，直至损失函数的值达到预设的阈值条件；
(3)重新采集输电线路环境图像，将新采集的输电线路环境图像输入训练好的FasterRCNN网络模型中，得到图像中异物的分类结果。


2.根据权利要求1所述的基于FasterRCNN的输电线路环境中异物识别方法，其特征在于，所述异物包括施工车辆、飞鸟和漂浮物。


3.根据权利要求1所述的基于FasterRCNN的输电线路环境中异物识别方法，其特征在于，所述FasterRCNN网络模型包括特征提取网络、区域生成网络和目标检测器；特征提取网络提取输入的输电线路环境图像的特征图像featuremap；区域生成网络根据特征图像featuremap生成异物候选框；目标检测器中的ROI池化层将异物候选框映射到特征图像featuremap上，得到每个异物候选框的低维特征；这些低维特征送...

【专利技术属性】
技术研发人员：于晓清，李宁，庞小龙，郑仟，吴建宁，朱欣军，谢贵文，单夫军，张鹏，李伟，
申请(专利权)人：国网宁夏电力有限公司检修公司，南京悠阔电气科技有限公司，
类型：发明
国别省市：宁夏;64