变电设备与产业园区周边入侵动物快速辨识方法与系统技术方案

本发明专利技术公开了一种变电设备与产业园区周边入侵动物快速辨识方法，包括如下步骤：步骤1：利用YOLOv5目标检测方法进行入侵动物检测；步骤2：利用DeepSORT对入侵动物进行跟踪，且步骤1的检测结果作为DeepSORT的输入。上述方法相对应地，本发明专利技术还提供了一种变电设备与产业园区周边入侵动物快速辨识系统。本发明专利技术提供的一种变电设备与产业园区周边入侵动物快速辨识方法与系统，使用YOLOv5目标检测方法结合DeepSORT目标跟踪方法对大型变电站和产业园区周围动物包括猫、狗等进行检测与跟踪。不仅可以使得目标跟踪的性能大幅提升，而且也保持了可观的跟踪速度。了可观的跟踪速度。了可观的跟踪速度。

【技术实现步骤摘要】
变电设备与产业园区周边入侵动物快速辨识方法与系统


[0001]本专利技术涉及变电设备与产业园区周边安全
，尤其涉及一种变电设备与产业园区周边入侵动物快速辨识方法与系统。

技术介绍

[0002]动物目标检测与跟踪，根据原理的不同可以分声学式与光学式，其中声学式包括雷达式、声呐式、红外式，光学式最为重要的是可见光图像。基于声学原理实现需要高昂的硬件和施工成本，且手段繁琐复杂。在此背景下，光学式正逐渐展现出巨大的优势。相较于声学等信息传递方式，光学式凭借其低成本、高信噪比、传输便捷、运算速度快等优点备受青睐。通过可见光图像对运动目标进行检测与定位被广泛应用于视频监控、工业检测、交通运输、智能安防等领域中。
[0003]电荷耦合(CCD)和互补金属氧化物半导体(CMOS)是进行光电转换时被普遍采用的两种图像传感器，二者都是通过感光二极管进行光电转换，将光学图像转换为数字信号。CCD传感器技术成熟、成像质量高、灵敏度高、噪声低、动态范围大。CMOS传感器结构简单、集成度高、成本低，同时读出速度快，功耗低，随着CMOS传感器整体架构的不断改进，并且考虑到CMOS传感器的制作成本以及成品率都要高于CCD传感器，CMOS传感器被认为将逐渐在一些高性能成像应用中取代CCD传感器。
[0004]卷积神经网络(CNN)最擅长的就是图片的处理。它受到人类视觉神经系统的启发。在CNN出现之前，图像对于人工智能来说是一个难题，一是因为图像需要处理的数据量太大，导致成本很高，效率很低。二是图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。CNN有2大特点：一是能够有效的将大数据量的图片降维成小数据量，降维并不会影响结果，比如1000像素的图片缩小成200像素，并不影响肉眼认出来图片中是一只猫还是一只狗，机器也是如此。二是能够有效的保留图片特征，符合图片处理的原则。目前CNN已经得到了广泛的应用，比如：人脸识别、自动驾驶、图片美化、安防等很多领域。
[0005]传统的基于图像特征提取的目标检测技术都存在特征提取困难、泛化能力差等问题。当前，基于深度学习的目标检测与跟踪技术发展愈加成熟，但是目前大型变电设备与产业园区周边的安防系统，大多采用人工巡逻与固定监控设备相结合的方式。典型的应用场景就是通过人工在监控显示器前观察周边情况，发现异常情况或者有小动物入侵时再通知巡逻人员赶到现场查看，人工观察周边情况难免会出现疏漏，而且人类如果长时间工作的话难免会出现疲倦等生理反应，这样就更加导致了安全隐患的增加。近年来时常发生流浪猫、流浪狗误碰变电设备或闯入产业园区造成经济损失的事件。
[0006]如何充分利用采集光学信息，快速、准确地检测并跟踪指定目标？使用基于深度学习的目标检测YOLOv5，与两阶段的目标跟踪算法DeepSORT便是解决这一问题的重要方法。

技术实现思路

[0007]为了解决相关技术问题，本申请的目的是提供一种变电设备与产业园区周边入侵
动物快速辨识方法与系统。
[0008]为实现本专利技术的目的，本专利技术提供的技术方案如下：
[0009]一种变电设备与产业园区周边入侵动物快速辨识方法，包括如下步骤：
[0010]步骤1：利用YOLOv5目标检测方法进行入侵动物检测；
[0011]步骤2：利用DeepSORT对入侵动物进行跟踪，且步骤1的检测结果作为DeepSORT的输入。
[0012]其中，
[0013]在步骤1之前，还包括建立目标检测数据集和目标标注的步骤；
[0014]在建立目标检测数据集步骤中，通过收集变电设备和产业园区周边视频监控拍摄的动物流图片，建立目标检测的数据集；
[0015]在目标标注步骤中，利用目标检测标注工具对所述数据集进行标注。
[0016]其中，
[0017]所述步骤1具体包括如下步骤：
[0018]步骤1.1利用YOLOv5目标检测模型在所述数据集上进行训练；
[0019]步骤2.2将模型训练至最优。
[0020]其中，
[0021]所述步骤2具体包括如下步骤：
[0022]步骤2.1DeepSORT接收YOLOv5目标检测模型输出的检测结果，检测结果包括检测到的目标的中心点坐标和目标边界框的长和宽；
[0023]步骤2.2当DeepSORT接收到检测结果后，首先生成检测框，其次利用卡尔曼滤波算法预测跟踪框，然后使用使用匈牙利算法将预测后的跟踪框和当前帧中的检测框进行匹配，最后对卡尔曼滤波进行更新，等到最终的跟踪结果，然后将跟踪目标的像素坐标转换为图像坐标输出到下位机。
[0024]其中，
[0025]所述YOLOv5的损失函数中，使用FocalLoss代替二进制交叉熵损失，Focal Loss的公式如下：
[0026][0027]其中y'为网络输出的类别概率值，y为真实标签，γ调节简单样本权重降低的速率，当gamma为0时即为交叉熵损失函数，当gamma增加时，调整因子的影响也在增加，α为平衡因子，用来平衡正负样本本身的比例不均。
[0028]其中，
[0029]所述YOLOv5boundingbox损失使用DIOU Loss；
[0030]所述YOLOv5 NMS替换为DIOU_NMS。
[0031]与上述方法相对应地，本专利技术还提供了一种变电设备与产业园区周边入侵动物快速辨识系统，包括检测单元和跟踪单元，
[0032]所述检测单元利用YOLOv5目标检测方法进行入侵动物检测；
[0033]所述跟踪单元利用DeepSORT对入侵动物进行跟踪，且步骤1的检测结果作为
DeepSORT的输入。
[0034]其中，
[0035]还包括建立目标检测数据集单元和目标标注单元；
[0036]所述目标检测数据集单元用于通过收集变电设备和产业园区周边视频监控拍摄的动物流图片，建立目标检测的数据集；
[0037]所述目标标注单元用于利用目标检测标注工具对所述数据集进行标注。
[0038]其中，
[0039]所述检测单元还用于利用YOLOv5目标检测模型在所述数据集上进行训练；将模型训练至最优。
[0040]其中，
[0041]所述跟踪单元用于DeepSORT接收YOLOv5目标检测模型输出的检测结，检测结果包括检测到的目标的中心点坐标和目标边界框的长和宽；还用于当DeepSORT接收到检测结果后，首先生成检测框，其次利用卡尔曼滤波算法预测跟踪框，然后使用使用匈牙利算法将预测后的跟踪框和当前帧中的检测框进行匹配，最后对卡尔曼滤波进行更新，等到最终的跟踪结果，然后将跟踪目标的像素坐标转换为图像坐标输出到下位机。
[0042]与现有技术相比，本专利技术的有益效果为：
[0043]本专利技术提供的一种变电设备与产业园区周边入侵动物快速辨识方法与系统，使用YOLOv5目标检测方法结合DeepSORT目标跟踪方法对大型变电站和产业园区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电设备与产业园区周边入侵动物快速辨识方法，其特征在于：包括如下步骤：步骤1：利用YOLOv5目标检测方法进行入侵动物检测；步骤2：利用DeepSORT对入侵动物进行跟踪，且步骤1的检测结果作为DeepSORT的输入。2.根据权利要求1所述的一种变电设备与产业园区周边入侵动物快速辨识方法，其特征在于：在步骤1之前，还包括建立目标检测数据集和目标标注的步骤；在建立目标检测数据集步骤中，通过收集变电设备和产业园区周边视频监控拍摄的动物流图片，建立目标检测的数据集；在目标标注步骤中，利用目标检测标注工具对所述数据集进行标注。3.根据权利要求2所述的一种变电设备与产业园区周边入侵动物快速辨识方法，其特征在于：所述步骤1具体包括如下步骤：步骤1.1利用YOLOv5目标检测模型在所述数据集上进行训练；步骤2.2将模型训练至最优。4.根据权利要求1所述的一种变电设备与产业园区周边入侵动物快速辨识方法，其特征在于：所述步骤2具体包括如下步骤：步骤2.1DeepSORT接收YOLOv5目标检测模型输出的检测结果，检测结果包括检测到的目标的中心点坐标和目标边界框的长和宽；步骤2.2当DeepSORT接收到检测结果后，首先生成检测框，其次利用卡尔曼滤波算法预测跟踪框，然后使用使用匈牙利算法将预测后的跟踪框和当前帧中的检测框进行匹配，最后对卡尔曼滤波进行更新，等到最终的跟踪结果，然后将跟踪目标的像素坐标转换为图像坐标输出到下位机。5.根据权利要求1所述的一种变电设备与产业园区周边入侵动物快速辨识方法，其特征在于：所述YOLOv5的损失函数中，使用FocalLoss代替二进制交叉熵损失，Focal Loss的公式如下：其中y'为网络输出的类别概率值，y为真实标签，γ调节简单样本权重降低的速率，当gamma为0时...

【专利技术属性】
技术研发人员：梁睿，吴帆，徐升，张传深，沈妍，陈曦，郭志薇，张庆堃，宋兴旺，
申请(专利权)人：国网天津市电力公司国网天津市电力公司城西供电分公司，
类型：发明
国别省市：