基于NPU芯片ARM平台的输电线路异物识别检测系统技术方案

本发明专利技术涉及基于NPU芯片ARM平台的输电线路异物识别检测技术领域，且公开了基于NPU芯片ARM平台的输电线路异物识别检测系统，包括基于NPU芯片ARM平台的无人机载鸟巢目标识别系统，所述基于NPU芯片ARM平台的无人机载鸟巢目标识别系统包含有数据增广模块，所述数据增广模块输出端信号连接有模型量化训练模块，提出了一个基于ARM平台的无人机载电力线路鸟巢检测识别系统，神经网络使用SSD

【技术实现步骤摘要】
基于NPU芯片ARM平台的输电线路异物识别检测系统


[0001]本专利技术涉及基于NPU芯片ARM平台的输电线路异物识别检测系统
，具体为基于NPU芯片ARM平台的输电线路异物识别检测系统。

技术介绍

[0002]鸟巢对电力线路具有巨大危害，鸟巢上的枝叶、草叶等杂物可能会使线路之间接触，导致电流短路，进而造成电力系统故障。现代社会对电力的依赖不断增加，为了及时发现覆盖于电力线路的鸟巢，电力部门通常会对输电线路进行定期或不定期的安全巡检。在传统的电力线路巡检中，人工巡线是
‑‑
种常用的方法。但这种方法效率低下，而且存在很多安全隐患，而无人机载电力线路鸟巢检测识别系统则能够实现高效、精准、安全的电力线路巡检。现有的电力线路鸟巢识别方法主要采用Hough变换直线检测和背景差分等技术,但这些技术使用固定在某一位置的相机采集定点图像或视频，相机视角固定，鸟巢识别受到极大的限制。无人机可以快速、全面地巡视电力线路，并且能够通过高清摄像头获取更加详细、清晰的图像。通过图像处理技术，可以准确地识别出电力线路.上的鸟巢，并及时报警、排除隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于NPU芯片ARM平台的输电线路异物识别检测系统，包括基于NPU芯片ARM平台的无人机载鸟巢目标识别系统，其特征在于：所述基于NPU芯片ARM平台的无人机载鸟巢目标识别系统包含有数据增广模块，所述数据增广模块输出端信号连接有模型量化训练模块，所述模型量化训练模块输出端信号连接有模型保存模块，所述模型保存模块输出端信号连接有模型转换模块，所述模型转换模块输出端信号连接有模型加载模块，所述模型加载模块输出端信号连接有检测结果模块，所述模型加载模块输入端信号连接有获取识别目标模块。2.根据权利要求1所述的基于NPU芯片ARM平台的输电线路异物识别检测系统，其特征在于：所述数据增广模块采用通过采用将两张图像使用不同权重叠加的方法，产生更多种类的样本数据,叠加公式如下：其中img
new
为重叠后的图像，img1和img2分别为样本中两张不同的图像，和β为图像叠加的权重参数。3.根据权利要求1所述的基于NPU芯片ARM平台的输电线路异物识别检测系统，其特征在于：所述基于NPU芯片ARM平台的无人机载鸟巢目标识别系统采用SSD
‑
DenseNet的神经网络结构进行电力线路鸟巢目标检测，该模型结构包含特征提取器和检测器两个部分，特征提取器使用DenseNet网络结构，并对其进行了改进，即去掉最后的全局平均池化、全连接层和Softmax层；检测器采用SSD算法模型结构，利用从6个不同尺度的特征层中提取的深层次特征信息来检测目标位置。4.根据权利要求3所述的基于NPU芯片ARM平台的输电线路异物识别检测系统，其特征在于：所述SSD
‑
DenseNet模型结构主要由两个部分组成：特征提取器和检测器；特征提取器采用了DenseNet网络结构，DenseNet网络结构由多个密集连接块和若干个过渡层组成，其中每个密集连接块都包含了若干个密集连接的卷积层，以及每个过渡层都包含了一个卷积层和一个池化层；检测器则采用SSD网络结构，用于检测图像中的目标，检测器由一系列卷积层和预测层组成，其中卷积层用于在特征图上进行卷积，得到不同大小的目标框，而预测层则用于预测目标框的类别和置信度；SSD检测器在每个特征图上预测一组目标框，每个目标框包括类别置信度和位置信息，最终将所有特征图上的目标框合并在一起，得到最终的目标检测结果。5.根据权利要求1所述的基于NPU芯片ARM平台的输电线路异物识别检测系统，其特征在于：所述模型压缩模块用于提高神经网络模型对鸟巢目标的识别速率，达到目标实时检测的要求，需要对模型进行适当的压缩，减少...

【专利技术属性】
技术研发人员：周硕，王刚，高皓，刘章照，杨炎，舒畅，杨龙，吴优，
申请(专利权)人：国网湖北省电力有限公司云梦县供电公司，
类型：发明
国别省市：