基于知识和数据联合驱动的输电通道安全监测方法技术

本发明专利技术属于计算机视觉领域，具体涉及了一种基于知识和数据联合驱动的输电通道安全监测方法，旨在解决输电通道安全监测精度低、效率差的问题。本发明专利技术方法包括：获取输电环境图像并提取图像的浅层特征图；将输入图像转换为灰度图像并提取轮廓特征图；对浅层特征图和轮廓特征图进行轮廓特征增强和特征融合操作，获取轮廓增强特征图；从输入图像中提取颜色区域特征图；对浅层特征图和颜色区域特征图进行颜色区域特征增强和特征融合操作，获取特定颜色目标增强特征图；对浅层特征图、轮廓增强特征图、特定颜色目标增强特征图加权融合；替换浅层特征图中的浅层特征，进行目标检测，得到输电通道安全监测结果。本发明专利技术提升了输电通道安全监测精度、效率。效率。效率。

【技术实现步骤摘要】
基于知识和数据联合驱动的输电通道安全监测方法


[0001]本专利技术属于计算机视觉领域，具体涉及了一种基于知识和数据联合驱动的输电通道安全监测方法、系统及装置。

技术介绍

[0002]检测输电线路通道以及其周边环境中影响线路正常运转的安全隐患目标能够保障电力传输安全稳定的进行。由于我国土地辽阔，地形复杂，气候多变，随着硬件设备的不断发展，费时费力的人工电力安全监测方式逐渐被摒弃，新的线路检测方式不断涌现，例如直升机检测、机器人检测、固定嵌入式端检测等等。新技术的引入同时也带来了新的问题，利用机器采集输电通道环境，会产生大量的图像数据，仅依靠人工从海量数据中筛选隐患位置速度慢、易漏检。通过引入计算机视觉中的目标检测算法可以有效解决上述问题，模型通过学习安全隐患数据中的分布规律，可以替代人工，自动分析机器获取的输电通道数据，以极快的速度和更高的准确率判定安全隐患位置和类型，及时通知技术人员，遏制重特大电力事故发生。高效、准确的输电通道安全隐患目标检测，不仅仅是学术界追求的目标，更是产业界迫切需要解决的难题。
[0003]当前基于深度学习的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识和数据联合驱动的输电通道安全监测方法，其特征在于，包括：步骤S10，获取待进行输电通道安全监测的输电环境图像，作为输入图像；通过预构建的目标检测模型提取所述输入图像的浅层特征图；所述输电环境图像中包括输电通道及输电通道的周边环境；步骤S20，对所述输入图像进行滤波、RGB转换，得到灰度图像，提取所述灰度图像的轮廓特征图；其中，所述轮廓特征图与所述浅层特征图中的目标位置一一对应；步骤S30，对所述浅层特征图和所述轮廓特征图进行轮廓特征增强和特征融合操作，获取轮廓增强特征图；步骤S40，根据设定的目标颜色区间，从所述输入图像中提取颜色区域特征图；所述颜色区域特征图与所述浅层特征图中目标位置一一对应；步骤S50，对所述浅层特征图和所述颜色区域特征图进行颜色区域特征增强和特征融合操作，获取特定颜色目标增强特征图；步骤S60，结合可学习权重，对所述浅层特征图、所述轮廓增强特征图、所述特定颜色目标增强特征图进行加权融合，获取数据与知识联合增强特征；步骤S70，将所述数据与知识联合增强特征替代所述浅层特征图中的浅层特征，进而通过所述目标检测模型进行目标检测，得到所述输入图像对应的输电通道安全监测结果。2.根据权利要求1所述的基于知识和数据联合驱动的输电通道安全监测方法，其特征在于，对所述输入图像进行滤波、RGB转换，得到灰度图像，提取所述灰度图像的轮廓特征图，其方法为：步骤S21，对所述输入图像进行高斯滤波，获得降噪后的图像：I
′
i
＝W
G
ΘI
i
，i＝0,1,2,...W
G
＝[[1,2,1],[2,4,2],[1,2,1]]/16其中，i表示第i张图像，I
i
表示输入图像，I
′
i
为高斯滤波输出图像，Θ表示卷积滤波器操作，W
G
为高斯卷积核参数；步骤S22，将所述降噪后的图像转换为灰度图像：G
i
＝0.299
×
I
′
iR
+0.587
×
I
′
iG
+0.114
×
I
′
iB
，i＝0,1,2,...其中，I
′
iR
表示高斯滤波输出图像的红色通道，I
′
iG
表示高斯滤波输出图像的绿色通道，I
′
iB
表示高斯滤波输出图像的蓝色通道，G
i
表示灰度图像；步骤S23，用Sobel算子计算水平方向和垂直方向的轮廓特征：L
iX
＝W
SX
ΘG
i
，i＝0,1,2,...L
iY
＝W
SY
ΘG
i
，i＝0,1,2,...W
SX
＝[[
‑
1,0,1],[
‑
2,0,2],[
‑
1,0,1]]W
SY
＝[[1,2,1],[0,0,0],[
‑
1,
‑
2,
‑
1]]其中，W
SX
为Sobel算子计算水平方向卷积核参数，W
SY
为Sobel算子计算垂直方向卷积核参数，L
iX
为水平方向轮廓特征，L
iY
为垂直方向轮廓特征；步骤S24，合并水平方向和垂直方向的轮廓特征：L
iS
＝|L
iSX
|+|L
iSY
|，i＝0,1,2,...其中，L
iS
为Sobel算子提取的总体轮廓特征，即轮廓特征图。3.根据权利要求2所述的基于知识和数据联合驱动的输电通道安全监测方法，其特征
在于，对所述浅层特征图和所述轮廓特征图进行轮廓特征增强和特征融合操作，获取轮廓增强特征图，其方法为：步骤S31，对所述轮廓特征图进行特征提取和下采样，获取尺寸对齐轮廓特征：L'
iS
＝Conv
u
{L
iS
|u,k,p,s}，i＝0,1,2,...其中，Conv
u
表示下采样卷积操作，u表示缩放倍数，k表示卷积核尺寸，p表示边缘填充数量，s表示卷积步长，L'
iS
表示尺寸对齐轮廓特征；步骤S32，对所述尺寸对齐轮廓特征进行标准化、激活操作；步骤S33，对标准化、激活操作后的尺寸对齐轮廓特征进行扩增维度处理：其中，Conv
d
表示维度更改卷积操作，d表示更改后的维度，表示扩增维度后的尺寸对齐轮廓特征；步骤S34，对所述浅层特征图中浅层特征和所述扩增维度后的尺寸对齐轮廓特征做哈达玛积，获取增强轮廓特征：其中，Hardmard表示哈达玛积操作，F
id
表示浅层特征，表示增强轮廓特征；步骤S35，拼接所述浅层特征和所述增强轮廓特征，并用卷积进行特征提取，获取混合轮廓增强特征：步骤S36，对混合轮廓增强特征进行标准化、激活操作，得到轮廓增强特征图。4.根据权利要求3所述的基于知识和数据联合驱动的输电通道安全监测方法，其特征在于，所述设定的目标颜色区间，其获取方法为：从训练图像中截取包含设定颜色的隐患区域，作为目标隐患区域，所述目标隐患区域包含黑色部分；所述设定颜色包括红色、黄色；将所述目标隐患区域转换至HSV空间；利用二维kmeans算法，对转换至HSV空间的目标隐患区域进行色调和饱和度数值聚类，获取色调和饱和度数值范围：其中，KMeans表示聚类操作，H为色调，S为饱和度，w表示聚类维度，n表示输出聚类簇数量，表示聚类结果；表示聚类结果；
其中，m为色调、饱和度的数值数量，为均值，σ为标准差，为上限，为下限，表示优化后的聚类范围，即色调和饱和度数值范围；计算聚类簇中的最大值和最小值，获取光强数值范围：其中，V
n
为聚类区...

【专利技术属性】
技术研发人员：王坤峰，朱文捷，张君驰，吴世龙，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：