基于语义分割的输电线路山火监测方法、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基于语义分割的输电线路山火监测方法、装置及存储介质，包括获取待检测图像，并输入至预先训练好的语义分割模型；所述语义分割模型基于所述待检测图像，输出烟雾图像检测结果；在检测到烟雾图像时，输出报警信号。本发明专利技术解决了现有技术中不能准确识别山火烟雾且监测时效性低、精确性差的问题，创新使用MCCL—self

【技术实现步骤摘要】
基于语义分割的输电线路山火监测方法、装置及存储介质


[0001]本专利技术涉及输电线路山火监测、计算机视觉和图像分割
，具体涉及一种基于语义分割的输电线路山火监测方法、装置及存储介质。

技术介绍

[0002]伴随着当今社会电气化程度的提高，人们对电能供应的可靠性以及电能质量的要求越来越高。作为目前我国电网传输的网架，架空输电线路是否能够安全稳定运行与电网的安全紧密相关。长距离和大范围的高电压等级架空输电线路通常需跨越山区，同时由于人们对于电力环保的要求也在日益增加，低电压等级的配电架空输电线路的通道也往往选择远离人们的生活区。而且由于近年来极端天气发生概率的提高、清明等时节人们祭祖等原因，我国境内山火灾害频繁发生，引发输电线路跳闸，给电网设备及电力供应造成了影响。
[0003]因此，针对输电线路山火情况研究专门的监测方法及装置，在山火发展的前期烟雾阶段，可以提前发现火源点，帮助抢修人员在山火对设备及电网造成影响前消除隐患，保证线路的安全运行与人们的可靠用电。但传统的山火烟雾检测方法不能准确识别山火烟雾，不能实时检测，对烟雾的分割边界不准确；不能较好地处理图像背景中不明显的目标，外观相似的烟雾可能被划分为山火烟雾；无效的特征或者是噪音突出，有效特征不明显；信息传递的时候存在信息丢失，损耗等问题，容易导致梯度消失或者梯度爆炸和无法训练很深的网络。且传统的山火监测装置没有报警模块，一般仅通过发信发出报警信息，不能在山火发生地附近发出警报，来提醒输电线路附近的人员周边有火情，不利于工作人员寻找火源并及时扑灭。<br/>
技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于语义分割的输电线路山火监测方法、装置及存储介质，解决现有技术中不能准确识别山火烟雾且监测时效性低、精确性差的问题。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于语义分割的输电线路山火监测方法，包括：
[0007]获取待检测图像，并输入至预先训练好的语义分割模型；
[0008]所述语义分割模型基于所述待检测图像，输出烟雾图像检测结果；在检测到烟雾图像时，输出报警信号；
[0009]其中，所述语义分割模型通过以下步骤训练获得：
[0010]获取烟雾图像，构建语义分割数据集；
[0011]对语义分割数据集进行预处理；
[0012]以编码器
‑
解码器作为基础结构，搭建语义分割模型；
[0013]使用预处理后的语义分割数据集训练搭建的语义分割模型；
[0014]设置网络训练参数，使用损失函数训练搭建的语义分割模型。
[0015]结合第一方面，进一步的，所述获取烟雾图像，构建语义分割数据集，包括：
[0016]通过监控摄像获取包含烟雾的监控视频；
[0017]在包含烟雾的监控视频中，每预设帧数截取一张烟雾图片作为样本，对烟雾目标进行像素级的人工标注；
[0018]增加合成烟雾数据和困难样本，形成最终的语义分割数据集。
[0019]结合第一方面，进一步的，所述对语义分割数据集进行预处理，包括对语义分割数据集中的图像进行数据增强，所述对语义分割数据集中的图像进行数据增强包括对语义分割数据集中的图像进行水平翻转、垂直翻转、旋转、平移、缩放、裁剪、擦除、调整对比度、调整饱和度和色彩抖动操作。
[0020]结合第一方面，进一步的，所述使用预处理后的语义分割数据集训练搭建的语义分割模型，包括：
[0021]在编码阶段对编码器中骨架网络的输出结果进行特征提取和增强特征表达，所述特征包括深层特征和浅层特征；在解码阶段结合编码阶段的深层特征和浅层特征进行融合提取，输出分割结果，并采用卷积处理和上采样操作，使最终的分割结果尺寸与原输入的烟雾图像的尺寸相同。
[0022]结合第一方面，进一步的，所述骨架网络为改进后的ResNet50深度残差网络，所述ResNet50深度残差网络包括阶段一、阶段二、阶段三和阶段四；所述ResNet50深度残差网络的改进包括：将阶段三和阶段四中的普通卷积替换为空洞卷积。
[0023]结合第一方面，进一步的，所述在编码阶段对编码器中骨架网络的输出结果进行特征提取，包括：
[0024]所述阶段一输出局部特征送入解码器，所述阶段四输出局部特征送入MCCL—self
‑
attention模块，将阶段二输出的局部特征、阶段三输出的经过卷积处理的局部特征以及MCCL—self
‑
attention模块输出的局部特征进行通道合并，所获得的结果再经卷积处理，输出全局特征送入解码器；
[0025]所述MCCL—self
‑
attention模块包括MCCL模块、CBAM模块和self
‑
attention模块；所述MCCL模块包括DPPM模块；
[0026]所述阶段四输出局部特征送入MCCL—self
‑
attention模块后的处理过程包括：所述阶段四输出局部特征送入MCCL模块，将局部特征经过卷积处理，将卷积处理后的局部特征进行特征相减和融合，从MCCL模块输出，并送入DPPM模块进行处理，将DPPM模块输出的局部特征与MCCL模块输出的经过融合的局部特征进行再融合，分别送入CBAM模块和self
‑
attention模块进行处理；
[0027]所述CBAM模块包含SA模块和CA模块，所述CBAM模块的处理过程包括：
[0028]所述SA模块和CA模块分别给阶段四输出的局部特征分配权重，将阶段四输出的局部特征分别与分配的权重相乘，得到新的局部特征，将得到的新的局部特征相加并输出给self
‑
attention模块进行处理；
[0029]所述self
‑
attention模块的处理过程包括：
[0030]将阶段四输入的局部特征经过卷积和维度变换，得到局部特征A，将MCCL模块输出的局部特征经过卷积和维度变换，得到局部特征B，将局部特征A与局部特征B相乘，输出局
部特征C，将CBAM模块输出的局部特征经过卷积和维度变换，得到局部特征D，将局部特征C与局部特征D相乘，所得结果经维度变换和卷积处理后，再与局部特征A相加，将得到的局部特征进行卷积处理。
[0031]结合第一方面，进一步的，所述设置网络训练参数，使用损失函数训练搭建的语义分割模型，包括：
[0032]将预处理后的语义分割图像数据集内的图像作为输入图像，统一输入图像的尺寸；
[0033]使用带动量的随机梯度下降算法对语义分割网络模型进行训练，所述语义分割网络模型中的权值初始化方式为Kaiming，激活函数为ReLu；
[0034]采用损失函数预测与实际数据的差距程度，所述损失函数为DiceLoss+FocalLoss函数；
[0035]所述损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割的输电线路山火监测方法，其特征在于，包括：获取待检测图像，并输入至预先训练好的语义分割模型；所述语义分割模型基于所述待检测图像，输出烟雾图像检测结果；在检测到烟雾图像时，输出报警信号；其中，所述语义分割模型通过以下步骤训练获得：获取烟雾图像，构建语义分割数据集；对语义分割数据集进行预处理；以编码器
‑
解码器作为基础结构，搭建语义分割模型；使用预处理后的语义分割数据集训练搭建的语义分割模型；设置网络训练参数，使用损失函数训练搭建的语义分割模型。2.根据权利要求1所述的基于语义分割的输电线路山火监测方法，其特征在于，所述获取烟雾图像，构建语义分割数据集，包括：通过监控摄像获取包含烟雾的监控视频；在包含烟雾的监控视频中，每预设帧数截取一张烟雾图片作为样本，对烟雾目标进行像素级的人工标注；增加合成烟雾数据和困难样本，形成最终的语义分割数据集。3.根据权利要求1所述的基于语义分割的输电线路山火监测方法，其特征在于，所述对语义分割数据集进行预处理，包括对语义分割数据集中的图像进行数据增强，所述对语义分割数据集中的图像进行数据增强包括对语义分割数据集中的图像进行水平翻转、垂直翻转、旋转、平移、缩放、裁剪、擦除、调整对比度、调整饱和度和色彩抖动操作。4.根据权利要求1所述的基于语义分割的输电线路山火监测方法，其特征在于，所述使用预处理后的语义分割数据集训练搭建的语义分割模型，包括：在编码阶段对编码器中骨架网络的输出结果进行特征提取和增强特征表达，所述特征包括深层特征和浅层特征；在解码阶段结合编码阶段的深层特征和浅层特征进行融合提取，输出分割结果，并采用卷积处理和上采样操作，使最终的分割结果尺寸与原输入的烟雾图像的尺寸相同。5.根据权利要求4所述的基于语义分割的输电线路山火监测方法，其特征在于，所述骨架网络为改进后的ResNet50深度残差网络，所述ResNet50深度残差网络包括阶段一、阶段二、阶段三和阶段四；所述ResNet50深度残差网络的改进包括：将阶段三和阶段四中的普通卷积替换为空洞卷积。6.根据权利要求5所述的基于语义分割的输电线路山火监测方法，其特征在于，所述在编码阶段对编码器中骨架网络的输出结果进行特征提取，包括：所述阶段一输出局部特征送入解码器，所述阶段四输出局部特征送入MCCL—self
‑
attention模块，将阶段二输出的局部特征、阶段三输出的经过卷积处理的局部特征以及MCCL—self
‑
attention模块输出的局部特征进行通道合并，所获得的结果再经卷积处理，输出全局特征送入解码器；所述MCCL—self
‑
attention模块包括MCCL模块、CBAM模块和self
‑
attention模块；所述MCCL模块包括DPPM模块；所述阶段四输出局部特征送入MCCL—self
‑
attention模块后的处理过程包括：所述阶
段四输出局部特征送入MCCL模块，将局部特征经过卷积处理，将卷积处理后的局部特征进行特征相减和融合，从MCCL模块输出，并送入DPPM模块进行处理，将DPPM模块输出的局...

【专利技术属性】
技术研发人员：冯上权，王开正，谭义章，樊志成，刘峙麟，舒佳乐，付一桐，虞有楠，周顺珍，俞瑞龙，王帅旗，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：