一种输电导线的特征识别方法技术

本发明专利技术公开了一种输电导线的特征识别方法，通过根据高压导线的特点构建改进Faster R

【技术实现步骤摘要】
一种输电导线的特征识别方法


[0001]本专利技术涉及高压输电线路导线识别
，特别涉及一种输电导线的特征识别方法。

技术介绍

[0002]随着我国电力行业的升级改造，智能的带电作业机器人成为当前的研究热点。虽然进行了带电作业机器人研发和试点，但现有高压带电作业机器人系统一般采用主从控制方式，需借助人眼判断目标的位置来进行操作，但这种方法对操作人员熟练程度要求高，严重阻碍机器人的推广应用。
[0003]传统的目标检测方法以图像识别为基础，主要包括4个步骤：提取候选框、对每个框提取特征、图像特征分类、非极大值抑制完成框回归。由于机器人作业环境复杂，且不同场景的图像往往要重新设计合适的特征，实际应用时也要依据具体情况而定，所以，人工提取的特征不能适应当今的海量数据，难以应用于背景复杂的高压线缆图像数据中。因此，需要一种输电导线的特征识别方法。

技术实现思路

[0004]本专利技术实施例提供了一种输电导线的特征识别方法，以至少解决现有技术中所提供的输电线路识别时识别速度及准确度偏低的问题。
[0005]根据本专利技术实施例的一方面，提供了一种输电导线的特征识别方法，包括：
[0006]获取历史的输电导线图片；
[0007]根据高压导线的特点，结合所述历史的输电导线图片构建改进Faster R
‑
CNN，所述改进Faster R
‑
CNN能够对进行输电导线识别，其中，所述改进Faster R
‑
CNN在特征提取中设置跳转连接，在特征识别过程中设置1
×
1的卷积和激活层函数；
[0008]将实时的输电导线图片输入改进Faster R
‑
CNN进行输电导线识别。
[0009]可选地，所述改进Faster R
‑
CNN包括：共享卷积层、RPN层、RoIPooling层、分类和回归层；
[0010]所述共享卷积层用于对输电导线图片进行特征识别提取，得到特征图，供后续的RPN层和全连接层使用，在共享卷积层设置跳转连接、1
×
1的卷积和激活层函数；
[0011]所述RPN层用于生成候选框，利用softmax判断候选框是前景还是背景，并利用bounding box regression调整候选框的位置，得到特征子图；
[0012]所述RoIPooling层用于将大小尺寸不同的特征子图转化为固定长度输出；
[0013]分类和回归层用于对RoIPooling层输出的特征图进行类别进行判断，同时再次对bounding box进行回归从而得到输电导线精确的形状和位置，即实现输电导线的识别。
[0014]可选地，所述激活层函数采用ReLU：当输入小于等于0时，输出0；当输入大于0时，输出等于输入。
[0015]可选地，所述共享卷积层包括依次连接的BN层、第1个卷积层、第1个激活层、第2个
卷积层、第2个激活层、第3个卷积层、第3个激活层，所述BN层的输入端跳转连接至第3个激活层的输出。
[0016]根据本专利技术实施例的另一方面，还提供了一种输电导线的特征识别系统，包括：
[0017]数据获取模块，用于获取历史的输电导线图片；
[0018]改进Faster R
‑
CNN模块，用于根据所述历史的输电导线图片构建改进Faster R
‑
CNN，所述改进Faster R
‑
CNN能够对进行输电导线识别，其中，所述改进Faster R
‑
CNN在特征提取中设置跳转连接；将实时的输电导线图片输入Faster R
‑
CNN进行输电导线识别。
[0019]根据本专利技术实施例的另一方面，还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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的输电导线的特征识别方法。
[0020]根据本专利技术实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的输电导线的特征识别方法。
[0021]与现有的技术相比，本专利技术具有如下有益效果：
[0022]本专利技术实施例中，本方法通过根据高压导线的特点构建改进Faster R
‑
CNN，在深度神经网络的特征提取环节中引入跳转连接，将卷积层的输入特征图谱加到输出部分，使网络保持良好的梯度信息；在特征提取环节引入1
×
1卷积，将神经网络内的数据进行降维，可有效减少参数，同时使网络具有较强的细节特征提取能力；在特征识别环节引入激活层函数，通过非线性映射，网络将特征映射到高维的非线性区间，增强网络的表达能力。通过本专利技术的特征识别方法解决现有技术中所提供的输电线路识别时识别速度及准确度偏低的问题。
附图说明
[0023]为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是根据本专利技术实施例的一种输电导线的特征识别方法的流程图；
[0025]图2是根据本专利技术实施例的改进Faster R
‑
CNN的结构示意图；
[0026]图3是根据本专利技术实施例的共享卷积的结构示意图。
具体实施方式
[0027]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0028]为了使本
的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
[0029]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例1
[0031]根据本专利技术实施例，提供了一种输电导线的特征识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电导线的特征识别方法，其特征在于，包括以下步骤：获取历史的输电导线图片；根据高压导线的特点，结合所述历史的输电导线图片构建改进Faster R
‑
CNN，所述改进Faster R
‑
CNN能够对进行输电导线识别，其中，所述改进Faster R
‑
CNN在特征提取中设置跳转连接，在特征识别过程中设置1
×
1的卷积和激活层函数；将实时的输电导线图片输入改进Faster R
‑
CNN进行输电导线识别。2.根据权利要求1所述的输电导线的特征识别方法，其特征在于，所述改进Faster R
‑
CNN包括：共享卷积层、RPN层、RoIPooling层、分类和回归层；所述共享卷积层用于对输电导线图片进行特征识别提取，得到特征图，供后续的RPN层和全连接层使用，在共享卷积层设置跳转连接、1
×
1的卷积和激活层函数；所述RPN层用于生成候选框，利用softmax判断候选框是前景还是背景，并利用bounding box regression调整候选框的位置，得到特征子图；所述RoIPooling层用于将大小尺寸不同的特征子图转化为固定长度输出；分类和回归层用于对RoIPooling层输出的特征图进行类别进行判断，同时再次对bounding box进行回归从而得到输电导线精确的...

【专利技术属性】
技术研发人员：祝文姬，欧发斌，卓浩泽，纪硕磊，王乐，张龙飞，刘旭，祁红涛，卢万里，凌颖，邹林，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：