一种基于深度学习的输配电线路图像识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的输配电线路图像识别方法及系统，方法包括：预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；获取待识别输配电线路图像，并提取待识别输配电线路图像中的至少一个候选区域；将同属一类别的至少一个目标特征进行合并，得到至少一个目标子区域；将包含至少一个目标子区域的待识别输配电线路图像分别输入至第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；利用目标检测后处理算法对第一识别结果与第二识别结果进行融合判别，生成第三识别结果。对两个网络的检测结果进行二次判别，可以有效提高目标定位的准确性。确性。确性。

【技术实现步骤摘要】
一种基于深度学习的输配电线路图像识别方法及系统


[0001]本专利技术属于输配电线路图像识别
，尤其涉及一种基于深度学习的输配电线路图像识别方法及系统。

技术介绍

[0002]随着输配电线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显。传统的人工巡检方式效率低下﹐难以适应山地、跨越河流等区域的输配电线路巡检，不能形成结构化﹑精细化、智能化的巡线体系。近年来，无人机巡检以其效率高、能适应复杂环境、操作简便、成本低等众多优点引起了广泛关注，众多电力研究机构投入了大量人力物力进行无人机或机器人电力巡检的研究。通过搭载图像采集装置，无人机或机器人能够快速采集输配电线路的图像和视频数据，大大减少巡检工作量，降低巡线的危险性。
[0003]传统方法，在得到巡检图像数据后，采用人工判读大量的无人机巡线图片和视频，但是人工判别需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成人工无法判别、导致巡视不到位等问题。

技术实现思路

[0004]本专利技术提供一种基于深度学习的输配电线路图像识别方法及系统，用于解决容易造成人工无法判别、导致巡视不到位的技术问题。
[0005]第一方面，本专利技术提供一种基于深度学习的输配电线路图像识别方法，包括：预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
[0006]第二方面，本专利技术提供一种基于深度学习的输配电线路图像识别系统，包括：建立模块，配置为预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；提取模块，配置为获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；分类模块，配置为根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；合并模块，将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；识别模块，配置为将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；融合模块，配置为利用目标检测后处理算法
对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。
[0007]第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的基于深度学习的输配电线路图像识别方法的步骤。
[0008]第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的基于深度学习的输配电线路图像识别方法的步骤。
[0009]本申请的基于深度学习的输配电线路图像识别方法及系统，通过构建两个不同的识别网络进行图像识别，并对两个网络模型的检测结果进行二次判别的检测结果，增强了模型的特征提取能力，使得模型能够更大程度的适应目标尺寸和环境的变化，降低模型的漏检率；同时对两个网络的检测结果进行二次判别，可以有效提高目标定位的准确性。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0011]图1为本专利技术一实施例提供的一种基于深度学习的输配电线路图像识别方法的流程图；
[0012]图2为本专利技术一实施例提供的一种基于深度学习的输配电线路图像识别系统的结构框图；
[0013]图3是本专利技术一实施例提供的电子设备的结构示意图。
具体实施方式
[0014]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]请参阅图1，其示出了本申请的一种基于深度学习的输配电线路图像识别方法的流程图。
[0016]如图1所示，基于深度学习的输配电线路图像识别方法具体包括以下步骤：
[0017]步骤S101，预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型。
[0018]在本步骤中，采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第一输配电线路图像数据集；采用第一图像数据增广方法，对所述第一输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集对所述FasteR
‑
CNN网络进行训练，直到网络满足条件收敛，得到所述第一输配电线路图像缺陷识别模型。
[0019]进一步地，采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第二输配电线路图像数据集；采用第二图像数据增广方法，对所述第二输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集，引入EMA权值更新和/或余弦函数学习率机制对所述改进型YOLOX网络进行训练，直到网络满足条件收敛，得到所述第二输配电线路图像缺陷识别模型。
[0020]具体的，所述YOLO网络的核心思想是采用全卷积结构，利用全图的上下文信息进行回归，其回归结果即目标框的类别和位置信息﹐YOLOX正是将YOLOv3作为基准模型，在YOLOv3baseline基准模型中加入多种技巧，比如解耦头(Decoupled Head)、SimOTA算法等，从而得到了YOLOz
‑
Darknet53的版本。
[0021]步骤S102，获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征。
[0022]在本步骤中，获取待识别输配电线路图像，并利用选择性搜索算法在待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的输配电线路图像识别方法，其特征在于，包括：预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；获取待识别输配电线路图像，并提取所述待识别输配电线路图像中的至少一个候选区域，其中，所述至少一个候选区域中包含目标特征；根据预设分类器对某一候选区域进行特征分类，以确定所述某一候选区域中至少一个目标特征是否符合一个类别；将同属一类别的所述至少一个目标特征进行合并，得到至少一个目标子区域；将包含至少一个目标子区域的所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。2.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，其中，预先建立第一输配电线路图像缺陷识别模型包括：采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第一输配电线路图像数据集；采用第一图像数据增广方法，对所述第一输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集对所述FasteR
‑
CNN网络进行训练，直到网络满足条件收敛，得到所述第一输配电线路图像缺陷识别模型。3.根据权利要求1所述的一种基于深度学习的输配电线路图像识别方法，其特征在于，其中，预先建立第二输配电线路图像缺陷识别模型包括：采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第二输配电线路图像数据集；采用第二图像数据增广方法，对所述第二输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；基于所述扩充后的输配电线路图像数据集，引入EMA权值更新和/或余弦函数学习率机制对所述改进型YOLOX网络进行训练，直到网络满足条件收敛，得到...

【专利技术属性】
技术研发人员：罗玉鹤，舒恺，周勋甜，张洁，白文博，裴梓翔，范天成，刘玉婷，杨光盛，毕海波，
申请(专利权)人：国网浙江省电力有限公司宁波供电公司宁波永耀电力投资集团有限公司，
类型：发明
国别省市：