基于低功耗物联网边缘计算设备的接触网鸟巢识别系统技术方案

本发明专利技术提供了基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，包括：输入模块、特征提取模块、模型构建模块和输出模块；所述输入模块，用于输入原始图像至所述特征提取模块，其中，所述原始图像包括：高压输电设备的图像和接触网的图像；所述特征提取模块，用于对所述原始图像进行特征提取，获取特征信息；所述模型构建模块，用于基于所述特征信息构建鸟巢识别模型；所述输出模块，用于根据所述鸟巢识别模型，输出所述原始图像的鸟巢识别结果。本发明专利技术能够降低实际的信息输入量，且检测精度高，并且实现实时在线检测。并且实现实时在线检测。并且实现实时在线检测。

【技术实现步骤摘要】
基于低功耗物联网边缘计算设备的接触网鸟巢识别系统


[0001]本专利技术属于鸟巢检测
，尤其涉及基于低功耗物联网边缘计算设备的接触网鸟巢识别系统。

技术介绍

[0002]鸟类常在电力系统高压输电设备，接触网等地方筑巢，会对输电设备造成不良影响，容易引起线路跳闸和零件损坏等各种安全事故，甚至严重影响高压输电线路的安全高效运行，具体原因主要包括鸟粪闪络，鸟巢材料短路和鸟类身体短路，在我国，鸟害已经成为仅次于雷电损害和外力破坏的第三大电力故障。因此识别电力系统输电设备的鸟巢并进行清除是降低鸟害的重要措施。当前电力系统的鸟巢识别系统多采用美国NVIDIA公司的深度学习计算单元，该计算单元可实现大吞吐量并行计算。尽管其性能优越，但是成本较高，功耗大。因此现阶段迫切需要一种基于新型算法，实现电力系统输电设备的鸟巢识别，维护国家能源系统的安全运行。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，实现鸟巢实时检测功能。
[0004]为实现上述目的，本专利技术提供了基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，包括：输入模块、特征提取模块、模型构建模块和输出模块；
[0005]所述输入模块，用于接收原始图像并传输至所述特征提取模块，其中，所述原始图像包括：高压输电设备的图像和接触网的图像；
[0006]所述特征提取模块，用于对所述原始图像进行特征提取，获取特征信息；
[0007]所述模型构建模块，用于基于所述特征信息构建鸟巢识别模型；
[0008]所述输出模块，用于根据所述鸟巢识别模型，输出所述原始图像的鸟巢识别结果。
[0009]可选地，所述特征提取模块包括：第一提取单元和第二提取单元；
[0010]所述第一提取单元，用于提取所述原始图像中的鸟巢的宏观特征信息；
[0011]所述第二提取单元，用于提取所述原始图像中的鸟巢的微观纹理信息；
[0012]所述第一提取单元和第二提取单元分别与所述模型构建模块连接。
[0013]可选地，所述宏观特征信息包括：鸟巢的颜色特征信息和轮廓特征信息。
[0014]可选地，所述第一提取单元中提取所述颜色特征信息的方式为：一维离散小波变换；
[0015]所述一维离散小波变换为：
[0016]A
j+1
＝H
j
A
j
[0017]D
j+1
＝G
j
A
j
[0018]其中，A
j+1
为j+1阶信号的近似值，H
j
为j阶信号的高通分量，A
j
为j阶信号的近似值，D
j+1
为j+1阶信号的细节值，G
j
为j阶信号的低通分量，A
j
为j阶信号的近似值。
[0019]可选地，所述第一提取单元中提取所述轮廓特征信息的方式为：二维离散小波变换；
[0020]所述二维离散小波变换为：
[0021]A
i,j+1
＝H
j
A
i,j
[0022]D
j,j+1
＝G
j
A
i,j
[0023]A
i+1,j+1
＝H
i
A
i,j+1
[0024]D
i+1,j+1
＝G
j
A
i,j+1
[0025]其中，A
i,j+1
为横向i阶纵向j+1阶信号的近似值，A
i,j
为横向i阶纵向j阶信号的近似值，D
i,j+1
为横向i阶纵向j+1阶信号的细节值，A
i,j
为横向i阶纵向j阶信号的近似值，A
i+1,j+1
为横向i+1阶纵向j+1阶信号的近似值，D
i+1,j+1
为横向i+1阶纵向j+1阶信号的细节值，G
j
为j阶信号的低通分量。
[0026]可选地，所述微观纹理信息包括：鸟巢内树枝细节的纹理信息。
[0027]可选地，所述第二提取单元中提取所述鸟巢内树枝细节的纹理信息的方式为：db0小波处理；
[0028]所述db0小波处理为：
[0029][0030][0031]其中，h[n]为高通滤波器，g[n]为低通滤波器，n为长度。
[0032]可选地，所述模型构建模块构建所述鸟巢识别模型的方法包括：通过所述特征信息对支持向量机或高斯贝叶斯分类器进行训练验证，获得所述鸟巢识别模型。
[0033]可选地，采用所述高斯贝叶斯分类器构建模型的过程包括：通过所述高斯贝叶斯分类器获取图像中有鸟巢和无鸟巢时的高斯分布系数；
[0034]获取所述有鸟巢时的高斯分布系数即获取每个像素点的标准差；
[0035]所述标准差σ
i,c
为：
[0036][0037]其中，m为采样点数，x
i,c
为采样像素点与当前点距离为i的权重值，为周边像素的加权平均值；
[0038]获取所述无鸟巢时的高斯分布系数即获取每个像素点的数学期望值；
[0039]所述数学期望值μ
i,c
为：
[0040][0041]其中，x
m,c
为采样像素点与当前点距离为m的权重值。
[0042]可选地，所述鸟巢识别模型为：
[0043][0044]其中，logT大于0则认为有鸟巢，小于0则认为无鸟巢，为有鸟巢类型，为无鸟巢类型，m为采样点数，x
i
表示第i个采样点，i为采样点的个数顺序，T为判断模型符号。
[0045]与现有技术相比，本专利技术具有如下优点和技术效果：
[0046]本专利技术首次采用低成本和低功耗的物联网边缘微控制器实现基于机器学习和边缘计算的鸟巢实时检测功能。现有的方案大多采用无人机传图技术，在云端进行处理，这种方案较难实现实时检测功能。本专利技术采用物联网微控制单元，成本低功耗小，且功能模块可直接安装在无人机上，可实现实时在线检测。
[0047]采用离散小波变换对拍摄到的图像进行三次变换，提取宏观和纹理特征。分别提取宏观的颜色和轮廓信息，以及鸟巢内树枝细节的纹理信息，然后对宏观信息和微观信息分别采用机器学习分类器识别，这种方法可以降低实际的信息输入量，且检测精度高。
附图说明
[0048]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0049]图1为本专利技术实施例的基于低功耗物联网边缘计算设备的接触网鸟巢识别系统结构示意图。
具体实施方式
[0050]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，其特征在于，包括：输入模块、特征提取模块、模型构建模块和输出模块；所述输入模块，用于接收原始图像并传输至所述特征提取模块，其中，所述原始图像包括：高压输电设备的图像和接触网的图像；所述特征提取模块，用于对所述原始图像进行特征提取，获取特征信息；所述模型构建模块，用于基于所述特征信息构建鸟巢识别模型；所述输出模块，用于根据所述鸟巢识别模型，输出所述原始图像的鸟巢识别结果。2.根据权利要求1所述的基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，其特征在于，所述特征提取模块包括：第一提取单元和第二提取单元；所述第一提取单元，用于提取所述原始图像中的鸟巢的宏观特征信息；所述第二提取单元，用于提取所述原始图像中的鸟巢的微观纹理信息；所述第一提取单元和第二提取单元分别与所述模型构建模块连接。3.根据权利要求2所述的基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，其特征在于，所述宏观特征信息包括：鸟巢的颜色特征信息和轮廓特征信息。4.根据权利要求3所述的基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，其特征在于，所述第一提取单元中提取所述颜色特征信息的方式为：一维离散小波变换；所述一维离散小波变换为：A
j+1
＝H
j
A
j
D
j+1
＝G
j
A
j
其中，A
j+1
为j+1阶信号的近似值，H
j
为j阶信号的高通分量，A
j
为j阶信号的近似值，D
j+1
为j+1阶信号的细节值，G
j
为j阶信号的低通分量，A
j
为j阶信号的近似值。5.根据权利要求3所述的基于低功耗物联网边缘计算设备的接触网鸟巢识别系统，其特征在于，所述第一提取单元中提取所述轮廓特征信息的方式为：二维离散小波变换；所述二维离散小波变换为：A
i，j+1
＝H
j
A
i，j
D
i，j+1
＝G
j
A
i，j
A
i+1，j+1
＝H
i
A
i，j+1
D
i+1...

【专利技术属性】
技术研发人员：谢楠，李俊，何志超，
申请(专利权)人：福州大学，
类型：发明
国别省市：