一种输电线路鸟类识别方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种输电线路鸟类识别方法、装置及存储介质，包括：采集输电线路的鸟类图像数据集，并对鸟类图像数据集进行数据增强处理后得到训练图像集；对训练图像集添加遮挡标签，并采用卷积神经网络提取训练图像集的特征图；将特征图输入至主流的SSD模型计算得到损失函数，将损失函数与遮挡标签结合进行模型训练，得到鸟类识别模型；采集输电线路的待识别图像数据，将待识别图像数据输入至鸟类识别模型中，输出多个识别框，在多个识别框中选取出最优识别框作为最终识别结果。本发明专利技术实施例通过将遮挡标签结合损失函数构成损失补偿机制，采用损失补偿机制的方式进行模型训练以进行鸟类识别，有效提高了鸟类被遮挡的情况下的鸟类识别精度。类识别精度。类识别精度。

【技术实现步骤摘要】
一种输电线路鸟类识别方法、装置及存储介质


[0001]本专利技术涉及鸟类识别
，尤其是涉及一种输电线路鸟类识别方法、装置及存储介质。

技术介绍

[0002]随着生态环境的改善、退耕还林、湿地恢复和绿色生态环境友好型社会的建设，鸟类繁衍生息条件逐步改善，各种鸟类数量不断增加，由鸟类引起的各类事故也随之增加。输电线路中鸟害更是频频发生，比如鸟粪引起的绝缘子闪络，鸟类在线路上筑巢引起的线路跳闸故障，鸟类自身体型较大，站在横担上使导线对横担空气间隙沿绝缘子表面放电，发生单相短路接地等等，输电线路上发生的鸟害事故不仅给电力系统稳定运行造成很大压力，也造成了极大的人力物力损失。
[0003]针对输电线路的鸟害防治问题，目前国内外常见的还是通过在输电线路上安装驱鸟装置进行驱鸟，但是驱鸟装置长时间工作容易导致功耗增加，且降低驱鸟效率和使用寿命，因此驱鸟装置结合图像识别技术对输电线路上的鸟类活动进行实时监测和及时驱赶就显得特别重要。现有的输电线路鸟类识别方法针对监控摄像头拍摄到的图像进行鸟类识别时，存在鸟类被钢塔本身或驱鸟装置部分遮挡，导致无法准确识别鸟类的问题。

技术实现思路

[0004]本专利技术提供一种输电线路鸟类识别方法、装置及存储介质，以现有的输电线路鸟类识别方法无法准确识别鸟类的问题。
[0005]本专利技术的一个实施例提供了一种输电线路鸟类识别方法，包括：
[0006]采集输电线路的鸟类图像数据集，并对所述鸟类图像数据集进行数据增强处理后得到训练图像集；
[0007]对所述训练图像集添加遮挡标签，并采用卷积神经网络提取所述训练图像集的特征图；
[0008]将所述特征图输入至主流的SSD模型计算得到损失函数，将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型；
[0009]采集所述输电线路的待识别图像数据，将所述待识别图像数据输入至所述鸟类识别模型中，输出多个识别框，在多个所述识别框中选取出最优识别框作为最终识别结果。
[0010]进一步的，所述对所述鸟类图像数据集添加遮挡标签，包括：
[0011]根据所述鸟类图像数据集中鸟类被遮挡区域的占比设置对应的遮挡级别，根据所述遮挡等级对所述鸟类图像数据集添加遮挡标签，其中，当鸟类被遮挡区域的占比越大，其对应的遮挡级别越高。
[0012]进一步的，所述将所述损失函数与所述遮挡标签结合进行训练，包括：
[0013]检测所述特征图中的标注框是否存在遮挡标签，若存在，则根据遮挡标签获取对应的遮挡级别，根据所述遮挡等级计算得到所述遮挡标签对应的遮挡系数；
[0014]将所述遮挡系数与损失函数结合得到遮挡补偿系数，根据所述遮挡补偿系数进行模型训练。
[0015]进一步的，所述遮挡级别越高，所述遮挡补偿系数越大。
[0016]进一步的，所述将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型，包括：
[0017]通过所述SSD模型在所述特征图上生成先验框，将与真实目标的交并比大于预设阈值的先验框作为训练正样本，将与真实目标的交并比小于等于预设阈值的先验框定义为候选负样本；
[0018]对所述候选负样本进行抽样，并根据置信度误差对抽样后的所述候选负样本进行降序排序，根据所述训练正样本的数量以及所述训练样正样本与训练负样本的数量比例，根据误差最大递减顺序选择符合数量要求的候选负样本作为训练负样本；
[0019]根据所述训练正样本和所述训练负样本进行模型训练，得到鸟类识别模型。
[0020]进一步的，所述在多个所述识别框中选取出最优识别框作为最终识别结果，包括：
[0021]采用非极大值抑制算法过滤多个所述识别框中重叠度高于预设阈值的识别框，在过滤后的多个识别框中选取最优识别框作为最终识别结果。
[0022]进一步的，所述损失函数定义为：
[0023][0024]其中，N是先验框的正样本数量，c为类别置信度识别值，/为先验框的所对应边界框的位置识别值，g为真实框的位置参数，L
conf
为置信度误差，L
loc
为位置误差，α为学习率。
[0025]进一步的，所述数据增强处理包括水平翻转、随机裁剪、颜色扭曲和随机采集块域的至少一种。
[0026]本专利技术的一个实施提供了一种输电线路鸟类识别装置，包括：
[0027]数据预处理模块，用于采集输电线路的鸟类图像数据集，并对所述鸟类图像数据集进行数据增强处理后得到训练图像集；
[0028]特征图提取模块，用于对所述训练图像集添加遮挡标签，并采用卷积神经网络提取所述训练图像集的特征图；
[0029]模型训练模块，用于将所述特征图输入至主流的SSD模型计算得到损失函数，将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型；
[0030]鸟类识别模块，用于采集所述输电线路的待识别图像数据，将所述待识别图像数据输入至所述鸟类识别模型中，输出多个识别框，在多个所述识别框中选取出最优识别框作为最终识别结果。
[0031]本专利技术的一个实施例提供了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，所述计算机程序被处理器执行时实现如上述的输电线路鸟类识别方法的步骤。
[0032]本专利技术实施例通过对训练图像集添加遮挡标签，并将遮挡标签结合损失函数构成损失补偿机制，采用损失补偿机制的方式进行模型训练，能够有效训练得到能够准确识别鸟类的鸟类识别模型，提高了鸟类被遮挡的情况下的鸟类识别精度，从而能够有效提高对输电线路上鸟类识别的准确性，进而能够根据鸟类识别结果准确控制驱鸟装置进行驱赶鸟
类，有效提高驱鸟装置的工作效率以及提高输电线路的安全性。
附图说明
[0033]图1是本专利技术实施例提供的输电线路鸟类识别方法的流程示意图；
[0034]图2是本专利技术实施例提供的输电线路鸟类识别装置的结构示意图。
具体实施方式
[0035]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0036]在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0037]在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路鸟类识别方法，其特征在于，包括：采集输电线路的鸟类图像数据集，并对所述鸟类图像数据集进行数据增强处理后得到训练图像集；对所述训练图像集添加遮挡标签，并采用卷积神经网络提取所述训练图像集的特征图；将所述特征图输入至主流的SSD模型计算得到损失函数，将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型；采集所述输电线路的待识别图像数据，将所述待识别图像数据输入至所述鸟类识别模型中，输出多个识别框，在多个所述识别框中选取出最优识别框作为最终识别结果。2.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述对所述鸟类图像数据集添加遮挡标签，包括：根据所述鸟类图像数据集中鸟类被遮挡区域的占比设置对应的遮挡级别，根据所述遮挡等级对所述鸟类图像数据集添加遮挡标签，其中，当鸟类被遮挡区域的占比越大，其对应的遮挡级别越高。3.如权利要求2所述的输电线路鸟类识别方法，其特征在于，所述将所述损失函数与所述遮挡标签结合进行训练，包括：检测所述特征图中的标注框是否存在遮挡标签，若存在，则根据遮挡标签获取对应的遮挡级别，根据所述遮挡等级计算得到所述遮挡标签对应的遮挡系数；将所述遮挡系数与损失函数结合得到遮挡补偿系数，根据所述遮挡补偿系数进行模型训练。4.如权利要求3所述的输电线路鸟类识别方法，其特征在于，所述遮挡级别越高，所述遮挡补偿系数越大。5.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型，包括：通过所述SSD模型在所述特征图上生成先验框，将与真实目标的交并比大于预设阈值的先验框作为训练正样本，将与真实目标的交并比小于等于预设阈值的先验框定义为候选负样本；对所述候选负样本进行抽样，并根据置信度误差对抽样后的所述候选负样本进行降序排序，根据所述训练正样本的数量以及所述训练样正样...

【专利技术属性】
技术研发人员：鲁仁全，林典敏，彭慧，吴可廷，周献前，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：