【技术实现步骤摘要】
一种基于YoloV5网络模型的配电线路火灾检测方法
[0001]本专利技术涉及图像识别领域,主要涉及一种基于YoloV5网络模型的配电线路火灾检测方法。
技术介绍
[0002]现有配电线路故障检测技术中,多采用人工巡线,即巡线人员用眼睛以及相关工具和仪器对线路的进行巡查,而当配电线路遭遇火灾时,人工巡检获取信息的时效性不足,带来的影响较大,通过人工智能对火焰与设备、火焰与线路进行距离检测及风险程度划分是亟待解决的问题。
[0003]CN111223265B《基于神经网络的火灾探测方法、装置、设备及存储介质》中公开了“一种基于神经网络的火灾探测方法、装置、设备及存储介质,该方法包括以下步骤:获取多个训练光源的入射光信号;对每个训练光源的入射光信号进行信号处理和解析,获取每个训练光源的光谱信号参数、时间信号参数和空间信号参数;根据训练光源的光谱信号参数、时间信号参数和空间信号参数建立训练数据集,并根据训练数据集构建用于火灾探测的神经网络模型;根据神经网络模型确定待测场地的光源的输出参数,并根据输出参数确定待测场地是否发生火灾。本专利技术实施例的火灾探测方法,通过训练光源的特征参数优化神经网络模型,并利用神经网络模型进行火灾识别,识别算法简单,数据处理量小,火灾探测的响应速度快,准确率高”,该专利技术提供了一种基于神经网络的火灾探测方法、装置、设备及存储介质,但该神经网络只是简单的三层网络,进行图像二分类,由于神经网络构造简单,因此它的泛化能力较弱,且该网络模型的运行速度及识别精度不足,若遇到相同强度的光源很容易产 ...
【技术保护点】
【技术特征摘要】
1.一种基于YoloV5网络模型的配电线路火灾检测方法,其特征在于,具体步骤如下:采集配电线路火灾状态下的现场图像,对现场图像中的线路、设备及火焰进行矩形框标注,将标注后的现场图像集合按比例划分为训练集和测试集;构建YoloV5网络模型,将训练集输入YoloV5网络模型进行迭代训练,在进行N次迭代训练后得到训练完成的YoloV5网络模型,并将测试集输入YoloV5网络模型测试性能;将待检测的目标现场图像输入至训练完成的YoloV5网络模型获得线路、设备及火焰检测框;基于线路、设备及火焰检测框获取风险划分判据,所述风险划分判据包括通过比例距离计算方法获取的火焰与线路、火焰与设备之间的实际距离;依据所述风险划分判据划分目标现场的火灾风险等级。2.根据权利要求1所述的一种基于YoloV5网络模型的配电线路火灾检测方法,其特征在于,所述检测方法还包括:在将测试集输入YoloV5网络模型测试性能后,判断YoloV5网络模型性能是否能达到预期目标检测结果,若未达到以加快模型识别速度为目标对YoloV5网络模型进行网络轻量化的改进,以提高模型识别准确率为目标对YoloV5网络模型进行卷积层的替换,替换完成后继续训练直至模型收敛时迭代终止。3.根据权利要求2所述的一种基于YoloV5网络模型的配电线路火灾检测方法,其特征在于,所述以加快模型识别速度为目标对YoloV5网络模型进行网络轻量化的改进具体为:减少YoloV5网络模型中C3模块结构数量,缩减各卷积层的通道数,将主干网络第4层中C3模块个数由6改为3,第6层C3模块个数由9改为3,第7层conv卷积层输出通道由1024改为512,第8层C3模块输出通道由1024改为512,其余卷积层通道数修改为原来的一半。4.根据权利要求2所述的一种基于YoloV5网络模型的配电线路火灾检测方法,其特征在于,所述以提高模型识别准确率为目标对YoloV5网络模型进行卷积层的替换具体为:将YOLOv5网络模型的stride
‑
2卷积替换为SPD
‑
Conv,即将步长为2的卷积层替换为一种SPD与C2模块组合成的网络结构,在SPD特征变换层之后,添加一个带有C2模块滤波器的非跨步卷积层。5.根据权利要求1所述的一种基于YoloV5网络模型的配电线路火灾检测方法,其特征在于,所述通过比例距离计算方法获得火焰与线路、火焰与设备之间的实际距离具体为:在检测完成的待检测图像像素坐标系中,读取火焰检测框的左上角坐标(X
Fj1
,Y
Fj1
)及右下角坐标(X
Fj2
,Y
Fj2
);计算火焰顶端中心坐标(X
Fj3
,Y
Fj3
):X
Fj3
=0.5*(X
Fj1
+X
Fj2
);Y
Fj3
=Y
Fj1
;读取待检测图像中线路、设备检测框的左上角坐标(X
Lj1
,Y
Lj1
)、(X
ij1
,Y
ij1
)以及右下角坐标(X
Lj2
,Y
Lj2
)、(X
ij2
,Y
ij2
);计算线路几何中心坐标(X
Lj3
,Y
Lj3
):X
...
【专利技术属性】
技术研发人员:李天友,郭伯森,王连辉,黄超艺,林力辉,苏俊,陈石川,陈浩珉,
申请(专利权)人:厦门理工学院国网福建省电力有限公司泉州供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。