输电线路防外破识别方法及终端技术

本发明专利技术公开了一种输电线路防外破识别方法及终端，方法包括：建立输电线路的外破样本库，并制定评估标准；建立外破检测器；利用coco数据集训练所述外破检测器至收敛，得到预训练模型；将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；根据所述评估标准对所述训练模型进行评估，得到最优模型；利用所述最优模型对待识别图像进行识别。本发明专利技术可对输电线路上的外破目标进行快速识别，且识别精度高，可靠性好。

【技术实现步骤摘要】
输电线路防外破识别方法及终端
本专利技术涉及图像识别
，尤其涉及一种输电线路防外破识别方法及终端。
技术介绍
近年来，随着经济的快速发展，城乡基础设施建设日益增多，导致线下违章植树、建房、施工作业等引发的突发性和季节性架空输电线路外力破坏时有发生，其中施工作业车辆、机械的移动性强、随意性大，防范困难，外物入侵破坏已成为架空输电线路安全稳定运行的最大威胁和隐患之一。目前，对目标检测方法主要集中于视频监控和视频图像处理。例如：1、将目标检测分为两个阶段，即先用深度CNN将前景与背景进行区分，再对区分出来的前景进行特征提取，对提取出来的特征分别进行分类与回归，得到目标的类别与位置。这种方法精度高，但是由于分成了两个阶段，引入了大量的计算，使得计算速度非常慢。具体可参考ShaoqingRen,KaimingHe,RossGirshick,andJianSun.Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks.InAdvancesinneuralinformationprocessingsystems,pages91–99,2015。2、利用深层CNN提取特征，同时在多层特征上分别直接进行预测，相当于一定程度上结合了浅层与深层特征的优点。直接预测的方法速度快，但是精度相对较低。具体可参考WeiLiu,DragomirAnguelov,DumitruErhan,ChristianSzegedy,ScottReed,Cheng-YangFu,andAlexanderCBerg.Ssd:Singleshotmultiboxdetector.InEuropeanconferenceoncomputervision,pages21–37.Springer,2016。3、改变检测算法的预测模式，由预测目标的上、下、左、右四个坐标变成预测中心坐标，采用直接预测的方式，速度快，误检率有一定的改善，但改善程度有限。具体可参考ObjectsasPoints,XingyiZhou,DequanWang,PhilipparXivtechnicalreport(arXiv1904.07850)。
技术实现思路
本专利技术所要解决的技术问题是：提供一种输电线路防外破识别方法及终端，识别精度高，可靠性强。为了解决上述技术问题，本专利技术采用的技术方案为：一种输电线路防外破识别方法，包括：建立输电线路的外破样本库，并制定评估标准；建立外破检测器；利用coco数据集训练所述外破检测器至收敛，得到预训练模型；将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；根据所述评估标准对所述训练模型进行评估，得到最优模型；利用所述最优模型对待识别图像进行识别。本专利技术采用的另一技术方案为：一种输电线路防外破识别终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：建立输电线路的外破样本库，并制定评估标准；建立外破检测器；利用coco数据集训练所述外破检测器至收敛，得到预训练模型；将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；根据所述评估标准对所述训练模型进行评估，得到最优模型；利用所述最优模型对待识别图像进行识别。本专利技术的有益效果在于：先基于现有的数据集得到预训练模型，然后再迁移至外破样本库中进行训练，最终评估后得到最优模型，采用最优模型对待识别图像进行识别，其识别速度快，能够做到实时识别，并且识别精度高。附图说明图1为本专利技术实施例一的输电线路防外破识别方法的流程图；图2为本专利技术实施例一的总体特征图的示意图；图3为本专利技术实施例二的输电线路防外破识别终端的示意图。标号说明：100、输电线路防外破识别终端；1、存储器；2、处理器。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。本专利技术最关键的构思在于：先基于现有的数据集得到预训练模型，然后再迁移至外破样本库中进行训练，最终评估后得到最优模型，采用最优模型对待识别图像进行识别，其识别速度快，且识别精度高。请参照图1，一种输电线路防外破识别方法，包括：建立输电线路的外破样本库，并制定评估标准；建立外破检测器；利用coco数据集训练所述外破检测器至收敛，得到预训练模型；将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；根据所述评估标准对所述训练模型进行评估，得到最优模型；利用所述最优模型对待识别图像进行识别。从上述描述可知，本专利技术的有益效果在于：先基于现有的数据集得到预训练模型，然后再迁移至外破样本库中进行训练，最终评估后得到最优模型，采用最优模型对待识别图像进行识别，其识别速度快，能够做到实时识别，并且识别精度高。进一步的，所述评估标准为PascalVOCchallenge的mAP值。进一步的，所述建立外破检测器具体为：获取总体特征图；利用总体特征图与head网络计算获取每一个待检测目标的中心点、中心点得分以及待检测目标所在的待检测区域；利用总体特征图与head网络计算获取所述中心点到其对应的待检测区域边缘的偏移量和偏移量的不确定性，得到高斯模型。由上述描述可知，外破检测器将对外破目标的检测转化为对中心点以及偏移量的检测，在一定程度上避免了误检；在对中心点和偏移量进行学习的同时，也对偏移量的不确定性进行学习，可以提高目标识别的可靠性。进一步的，所述得到高斯模型具体为：根据公式以及对所述偏移量以及偏移量的不确定性进行建模，其中x表示实际计算尺寸值，μ表示偏移量，σ表示偏移量的不确定性，y表示偏移量的不确定性概率。由上述描述可知，偏移量以及偏移量不确定性满足均值为μ，方差为σ的高斯分布，σ的值越小表示中心点越可靠。进一步的，根据所述评估标准对所述训练模型进行评估，得到最优模型具体为：根据所述训练模型输出得到调整偏移量以及调整偏移量的不确定性；根据公式计算训练模型的回归损失，其中，L(μ')表示训练模型输出的调整偏移量的回归损失，μ'表示训练模型输出的调整偏移量，σ'表示训练模型输出的调整偏移量的不确定性，ε和γ为常数，N表示训练模型预测目标数量；根据所述评估标准对训练模型输出的调整偏移量的回归损失进行评估，得到最优模型。由上述描述可知，模型在训练时对w、h、w_no_score、h_no_score建模，优化后得到最优模型。后续推理图片时，得到的w和w_no_score值必定就是高斯分布，也就是说一开始先将模型假设为高斯分布，利用公式L(μ')去训练优化模型，人为的将w，w_no_score变本文档来自技高网...

【技术保护点】
1.一种输电线路防外破识别方法，其特征在于，包括：/n建立输电线路的外破样本库，并制定评估标准；/n建立外破检测器；/n利用coco数据集训练所述外破检测器至收敛，得到预训练模型；/n将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；/n根据所述评估标准对所述训练模型进行评估，得到最优模型；/n利用所述最优模型对待识别图像进行识别。/n

【技术特征摘要】
1.一种输电线路防外破识别方法，其特征在于，包括：
建立输电线路的外破样本库，并制定评估标准；
建立外破检测器；
利用coco数据集训练所述外破检测器至收敛，得到预训练模型；
将所述预训练模型迁移至所述外破样本库中进行训练，得到训练模型；
根据所述评估标准对所述训练模型进行评估，得到最优模型；
利用所述最优模型对待识别图像进行识别。


2.根据权利要求1所述的输电线路防外破识别方法，其特征在于，所述评估标准为PascalVOCchallenge的mAP值。


3.根据权利要求1所述的输电线路防外破识别方法，其特征在于，所述建立外破检测器具体为：
获取总体特征图；
利用总体特征图与head网络计算获取每一个待检测目标的中心点、中心点得分以及待检测目标所在的待检测区域；
利用总体特征图与head网络计算获取所述中心点到其对应的待检测区域边缘的偏移量和偏移量的不确定性，得到高斯模型。


4.根据权利要求3所述的输电线路防外破识别方法，其特征在于，所述得到高斯模型具体为：
根据公式以及对所述偏移量以及偏移量的不确定性进行建模，其中x表示实际计算尺寸值，μ表示偏移量，σ表示偏移量的不确定性，y表示偏移量的不确定性概率。


5.根据权利要求4所述的输电线路防外破识别方法，其特征在于，根据所述评估标准对所述训练模型进行评估，得到最优模型具体为：
根据所述训练模型输出得到调整偏移量以及调整偏移量的不确定性；
根据公式计算训练模型的回归损失，其中，L(μ')表示训练模型输出的调整偏移量的回归损失，μ'表示训练模型输出的调整偏移量，σ'表示训练模型输出的调整偏移量的不确定性，ε和γ为常数，N表示训练模型预测目标数量；
根据所述评估标准对训练模型输出的调整偏移量的回归损失进行评...

【专利技术属性】
技术研发人员：潘成龙，张宇，刘东剑，
申请(专利权)人：深圳金三立视频科技股份有限公司，
类型：发明
国别省市：广东;44