高压线路鸟巢检测方法、模型训练方法、装置及设备制造方法及图纸

本申请涉及一种高压线路鸟巢检测方法、模型训练方法、装置及设备。所述方法包括：获取高压线路的待检测图像；利用已训练的目标鸟巢检测模型对所述待检测图像进行鸟巢检测；其中，所述目标鸟巢检测模型是根据预先设置的多组互不交互的对象查询，通过初始鸟巢检测模型对带有鸟巢标签的训练样本进行鸟巢检测，得到与各组所述对象查询对应的多组预测结果后，根据所述多组预测结果以及相应的鸟巢标签进行训练得到的。采用本方法能够通过改变对象查询的设置机制，对应得到多组预测结果，在匹配过程中通过增加正例的数量来加速模型收敛，从而提升在高压线路对鸟巢等小样本数据集上的检测效果。效果。效果。

【技术实现步骤摘要】
高压线路鸟巢检测方法、模型训练方法、装置及设备


[0001]本申请涉及电网运维
，特别是涉及一种高压线路鸟巢检测方法、模型训练方法、装置及设备。

技术介绍

[0002]随着高压线路数量增加，鸟类对电力系统带来的困扰和危害也越来越多。鸟类经常在高压线路上筑巢，在下雨天或天气湿度大时，鸟巢容易充当导体，从而触发跳闸，在天气比较干燥时，鸟巢的树枝容易着火，这不仅给电力传输造成影响，还容易造成巨大的安全风险。
[0003]为保证电网系统的正常运行，有必要对高压线路上鸟巢进行定期巡检清除。传统技术通过基于深度学习的方法对鸟巢数据集进行鸟巢检测并训练，例如Faster RCNN等，其凭借较强的特征提取能力和描述能力，广泛适用于复杂的自然环境中。
[0004]然而，高压线路面积广泛且所处的背景较为复杂，鸟巢相比于高压线路较少，且包含鸟巢的图像难以大量获取，因此鸟巢检测属于小样本复杂背景的检测，传统基于深度学习的方法在训练过程中对小样本问题的效率和精度较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高压线路鸟巢检测方法，其特征在于，所述方法包括：获取高压线路的待检测图像；利用已训练的目标鸟巢检测模型对所述待检测图像进行鸟巢检测；其中，所述目标鸟巢检测模型是根据预先设置的多组互不交互的对象查询，通过初始鸟巢检测模型对带有鸟巢标签的训练样本进行鸟巢检测，得到与各组所述对象查询对应的多组预测结果后，根据所述多组预测结果以及相应的鸟巢标签进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述目标鸟巢检测模型的训练过程如下：获取带有鸟巢标签的样本图像集；基于所述样本图像集，对初始的鸟巢检测模型进行迭代训练，得到已训练的目标鸟巢检测模型；其中，在每次训练过程中，执行以下操作：通过所述鸟巢检测模型，结合预先设置的多组互不交互的对象查询，对样本图像进行鸟巢检测，得到多组预测结果，所述对象查询用于参数学习以对应输出所述预测结果；根据所述多组预测结果以及相应的鸟巢标签，对所述鸟巢检测模型进行参数优化。3.根据权利要求2所述的方法，其特征在于，在通过所述鸟巢检测模型，结合预先设置的多组互不交互的对象查询，对样本图像进行鸟巢检测，得到多组预测结果的过程中，所述鸟巢检测模型用于：获取所述样本图像的特征图和所述特征图中各像素点的位置信息；对所述特征图和所述位置信息进行编码，得到全局编码特征；结合所述多组互不交互的对象查询，对所述全局编码特征进行解码，得到全局解码特征；对所述全局解码特征进行预测，得到多组预测结果。4.根据权利要求2所述的方法，其特征在于，所述根据所述多组预测结果以及相应的鸟巢标签，对所述鸟巢检测模型进行参数优化，包括：针对每组预测结果，将所述预测结果中所有预测目标与相应的鸟巢标签中所有真实目标进行二分图匹配，得到各组所述预测结果对应的正例目标；结合各组所述正例目标和所述真实目标，获取目标损失值，并根据所述目标损失值对所述鸟巢检测模型进行参数优化。5.根据权利要求2所述的方法，其特征在于，所述获取带有鸟巢标签的样本图像集，包括：获取初始样本图像集；对所...

【专利技术属性】
技术研发人员：饶竹一，李英，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：