一种架空输电线路鸟巢检测方法、介质及系统技术方案

本发明专利技术公开一种架空输电线路鸟巢检测方法、介质及系统，包括：获取架空输电线路的若干第一图像，其中，第一图像中的架空输电线路上具有被架空输电线路至少部分遮挡的鸟巢；对若干第一图像中的鸟巢进行位置标注，得到若干第二图像；采用若干第二图像对Conditional DETR的目标检测模型进行训练，得到训练后的Conditional DETR的目标检测模型；实时采集架空输电线路的第三图像；将第三图像输入训练后的Conditional DETR的目标检测模型后，输出预设数量的边界框，并将置信度大于阈值的边界框作为最终的预测框，得到第三图像中鸟巢的位置。本发明专利技术可较为准确且快速地得到架空输电线路鸟巢的位置。路鸟巢的位置。路鸟巢的位置。

【技术实现步骤摘要】
一种架空输电线路鸟巢检测方法、介质及系统


[0001]本专利技术涉及架空输电线路
，尤其涉及一种架空输电线路鸟巢检测方法、介质及系统。

技术介绍

[0002]我国高压输电架空线路的不断增多，并且输电线路本身部署在恶劣的自然环境中，且跨度很长，动辄几十、上百公里。鸟类给电力系统带来很多的困扰和危害。然而传统方法需要工程师到现场使用望远镜逐段监测，监测效率、监测准确率和人员安全性较低，给电力工作者带来很大的困扰。随着人工智能技术的发展，基于卷积神经网络的深度学习目标检测方法广泛应用在安防等领域并在大数据场景中展现出远超过传统方法的性能。然而卷积神经网络由于其感受野通过多层卷积层逐渐扩大，面对复杂遮挡时的目标检测结果受限于不灵活的感受野，性能有待提高，对于复杂背景，特别是架空输电线路遮挡下的鸟巢检测的效果不佳。

技术实现思路

[0003]本专利技术实施例提供一种架空输电线路鸟巢检测方法、介质及系统，以解决现有技术对架空输电线路遮挡下的鸟巢检测的效果不佳的问题。
[0004]第一方面，提供一种架空输电线路鸟巢检测方法，包括：
[0005]获取架空输电线路的若干第一图像，其中，所述第一图像中的架空输电线路上具有被架空输电线路至少部分遮挡的鸟巢；
[0006]对若干所述第一图像中的鸟巢进行位置标注，得到若干第二图像；
[0007]采用若干所述第二图像对Conditional DETR的目标检测模型进行训练，得到训练后的Conditional DETR的目标检测模型；
[0008]实时采集架空输电线路的第三图像；
[0009]将所述第三图像输入所述训练后的Conditional DETR的目标检测模型后，输出预设数量的边界框，并将置信度大于阈值的边界框作为最终的预测框，得到所述第三图像中鸟巢的位置。
[0010]第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的架空输电线路鸟巢检测方法。
[0011]第三方面，提供一种架空输电线路鸟巢检测系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
[0012]这样，本专利技术实施例，可以较为准确且快速地得到架空输电线路鸟巢的位置，特别适用于被架空输电线路遮挡的鸟巢的检测。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
[0014]图1是本专利技术实施例的架空输电线路鸟巢检测方法的流程图。
具体实施方式
[0015]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本专利技术保护的范围。
[0016]本专利技术实施例公开了一种架空输电线路鸟巢检测方法。具体的，如图1所示，该方法包括如下的步骤：
[0017]步骤S1：获取架空输电线路的若干第一图像。
[0018]其中，第一图像中的架空输电线路上具有被架空输电线路至少部分遮挡的鸟巢。第一图像可通过无人机或者塔基摄像头采集。
[0019]步骤S2：对若干第一图像中的鸟巢进行位置标注，得到若干第二图像。
[0020]鸟巢的位置标注为(x,y,w,h)，其中(x,y)表示鸟巢区域的中心点坐标，w表示鸟巢区域的宽度，h表示鸟巢区域的高度。
[0021]优选的，进行下述的步骤S3之前，该方法还包括：
[0022]随机采用至少一种图像预处理方式对每一第二图像进行预处理。
[0023]其中，图像预处理方式包括：翻转、颜色空间变换、裁剪、旋转、锐化、模糊和混合。因此，对于每一第二图像，随机采用上述的七种图像预处理方式中的至少一种对第二图像进行预处理，当采用至少两种图像预处理方式处理时，至少两种图像预处理方式的顺序不限，这样，每种图像预处理方式都有1/7的概率对第二图像进行扩增，从而能够获得7^7种可能扩增的结果，能够很好地对原始数据进行扩增，弥补已有数据集样本少的缺陷，更好地模拟真实场景的情况。
[0024]步骤S3：采用第二图像对Conditional DETR的目标检测模型进行训练，得到训练后的Conditional DETR的目标检测模型。
[0025]应当理解的是，如果对第二图像进行了预处理，则输入该目标检测模型的是预处理后的第二图像。
[0026]Conditional DETR的目标检测模型依次包括：特征提取模块、编码模块、解码模块和预测头部模块。
[0027]具体的，该步骤包括：
[0028](1)将第二图像输入特征提取模块后，输出特征图像和特征图像中各像素点的位置编码。
[0029]其中，特征提取模块为MobileNet网络。MobileNet网络更轻量化，在实际应用过程中，可保障测试速度。
[0030]在特征提取模块中，位置编码(PE)的计算如下式所示：
[0031]PE(pos,2i)＝sin(pos/10000
2i/dmodel
)。
[0032]PE(pos,2i+1)＝sin(pos/10000
2i/dmodel
)。
[0033]其中，pos表示像素点在特征图像中的位置，i表示特征图的维度，d
model
表示模型设置的向量维度。
[0034](2)将特征图像和位置编码输入到编码模块后，输出第一输出值。
[0035]其中，编码模块为transformer网络的依次连接的六个编码器。在第一个编码器中，输入特征图像X
embedding
和位置编码(PE)X
pos
，输出一个输出值，再将该输出值输入到下一个编码器，下一个编码器输出一个输出值，以此类推，最后一个编码器输出第一输出值。
[0036]对于每一编码器，其包括依次连接的多头注意力机制网络、残差网络、层归一化网络、前馈网络、残差网络和层归一化网络。
[0037]在此引入Query，Key和Value的概念，Query(Q)是查询的意思，Key(K)是键，用来和要查询的Query做比较，比较得到一个分数(相关性或者相似度)再乘以Value(V)值得到最终的结果。
[0038]对于多头自注意力机制，其输入的参数Q为上一个编码器的输出(如果当前编码器是第一个编码器则是特征图像X
embedding
)加上位置编码(PE)，K为上一个编码器的输出(如果当前编码器是第一个编码器则是特征图像X
embedding
)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种架空输电线路鸟巢检测方法，其特征在于，包括：获取架空输电线路的若干第一图像，其中，所述第一图像中的架空输电线路上具有被架空输电线路至少部分遮挡的鸟巢；对若干所述第一图像中的鸟巢进行位置标注，得到若干第二图像；采用若干所述第二图像对Conditional DETR的目标检测模型进行训练，得到训练后的Conditional DETR的目标检测模型；实时采集架空输电线路的第三图像；将所述第三图像输入所述训练后的Conditional DETR的目标检测模型后，输出预设数量的边界框，并将置信度大于阈值的边界框作为最终的预测框，得到所述第三图像中鸟巢的位置。2.根据权利要求1所述的架空输电线路鸟巢检测方法，其特征在于，所述Conditional DETR的目标检测模型依次包括：特征提取模块、编码模块、解码模块和预测头部模块，其中，所述特征提取模块为MobileNet网络，所述编码模块为transformer网络的依次连接的六个编码器，所述解码模块为依次连接的六个基于条件交叉注意力机制的解码器，所述预测头部模块为两个独立的第一前馈网络和第二前馈网络。3.根据权利要求2所述的架空输电线路鸟巢检测方法，其特征在于，所述解码器包括依次连接的多头自注意力机制网络、残差网络、层归一化网络、基于条件交叉注意力机制网络、残差网络、层归一化网络、前馈网络、残差网络和层归一化网络；所述解码器中，对于基于条件交叉注意力机制网络，输入的参数Q为经过解码器的多头自注意力机制网络、残差网络、层归一化网络后的输出与编码化后的目标query进行concat操作，输入的参数K...

【专利技术属性】
技术研发人员：郭文东，王少杰，杜迎春，钟成，刘通，马陆阳，李晓双，刘志翔，杨长安，杨志伟，李舜，张瑛，
申请(专利权)人：国网宁夏电力有限公司吴忠供电公司，
类型：发明
国别省市：