外破隐患源图像识别方法技术

本发明专利技术公开了一种外破隐患源图像识别方法

【技术实现步骤摘要】
外破隐患源图像识别方法、装置、介质及终端设备


[0001]本专利技术涉及图像识别
，尤其涉及一种外破隐患源图像识别方法
、
装置
、
介质及终端设备
。

技术介绍

[0002]电网输电线路受自然灾害，例如冰雪
、
山火等威胁时常发生，同时输电线路外力破坏事故也频频发生，如：施工工地现场正处在输电线路下方或附近，施工器具在操作过程中，其高挑突出部分有时会进入输电线路的安全限距内致使线路对其放电，甚至碰挂到输电线路导致跳闸
、
停电事故
。
又如输电线路在跨越公路时，由于车辆超高，输电线路缺乏警示标志，导致输电线路受到破坏；还有一些输电线路在跨越江河时，一些大型轮船，挖沙船等设备在涨潮时又未载货物的情况下从输电线路下方通过，其超高部分造成输电线路的破坏等
。
本文以识别电网输电线路外破隐患源为出发点，通过对其进行准确识别，为输电线路巡查作业人员提供对外破隐患源的实时大区域的预警
。
[0003]传统的人工目视巡查和无人机巡查无法实时的对电网输电线路外破隐患源进行排查，更不能为发现外破隐患源进行准确的提示
。

技术实现思路

[0004]本专利技术提供了一种外破隐患源图像识别方法，结合
YOLO
网络实时图像识别优势，以解决传统的输电线路外破隐患源不能及时发现的问题
。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种外破隐患源图像识别方法，包括：
[0006]引入
ECA
注意力机制改进
YOLO
网络中不同通道特征对应的权重；
[0007]使用标注好的外破隐患源图像数据集对所述
YOLO
网络进行训练，得到所述
YOLO
网络的目标参数和目标权重；
[0008]利用
TensorRT
优化器对训练好的所述
YOLO
网络进行形式转换；
[0009]将转换后的所述
YOLO
网络部署到识别终端上，通过所述识别终端对外破隐患源图像进行识别
。
[0010]作为优选方案，所述引入
ECA
注意力机制改进
YOLO
网络中不同通道特征对应的权重，具体包括：
[0011]将
YOLO
网络中
Backbone
子网络的卷积网络组件替换为
ECA
‑
Net
网络组件，改进所述
Backbone
子网络中不同通道特征对应的权重
。
[0012]作为优选方案，所述使用标注好的外破隐患源图像数据集对所述
YOLO
网络进行训练，得到所述
YOLO
网络的目标参数和目标权重，具体包括：
[0013]按照预设比例将外破隐患源图像数据集划分为训练集
、
验证集和测试集；
[0014]通过所述训练集不断调试所述
YOLO
网络的目标参数和目标权重，直至所述验证集的验证结果和所述测试集的测试结果满足预设条件
。
[0015]作为优选方案，所述验证集的验证结果和所述测试集的测试结果满足预设条件，具体指：
[0016]采用
Alpha
‑
IoU
损失函数对所述
YOLO
网络进行所述验证集计算和所述测试集的计算，直至所述
Alpha
‑
IoU
损失函数的值满足预设条件；
[0017]所述
Alpha
‑
IoU
损失函数为：
[0018][0019]其中，
IoU
是目标框
B
和真实框
Bgt
之间的交并比；
β
是一个正数，用于调整损失函数的形状；
α
的值决定了损失函数对
IoU
的敏感程度；
C
为
B
和的最小凸形中的
B
和的中心点，
ρ
(
·
)
为欧几里得距离，
c
为最小
BBox
的对角线长度
。
[0020]作为优选方案，所述外破隐患源图像数据集的具体标注过程为：
[0021]获取外破隐患源的视频片段样本和图片样本；
[0022]利用
LabelImg
标注工具对所述视频片段样本进行标注；
[0023]利用
OpenCV
计算机视觉标注工具对所述图片样本进行标注；
[0024]将标注后的所述视频片段样本和标注后的图片样本汇总，得到外破隐患源信息数据集
。
[0025]作为优选方案，所述利用
TensorRT
优化器对训练好的所述
YOLO
网络进行形式转换，具体包括：
[0026]利用
TensorRT
优化器中的
torch2trt
工具将所述
YOLO
网络中主干网络的
PyTorch
模型文件转换为
Tensor
模型；
[0027]利用
TensorRT
优化器中的
OpenVINO SDK
工具对转换后的所述
YOLO
网络的输入与输出格式进行设置
。
[0028]所述将转换后的所述
YOLO
网络部署到识别终端上，通过所述识别终端对外破隐患源图像进行识别，具体包括：
[0029]将转换后的所述
YOLO
网络部署到
linux
系统终端上，所述
linux
系统终端运行所述
YOLO
网络得到外破隐患源图像的识别结果，并对所述识别结果进行实时显示和记录保存
。
[0030]本专利技术实施例还提供了一种外破隐患源图像识别装置，包括：
[0031]改进模块，用于引入
ECA
注意力机制改进
YOLO
网络中不同通道特征对应的权重；
[0032]训练模块，用于使用标注好的外破隐患源图像数据集对所述
YOLO
网络进行训练，得到所述
YOLO
网络的目标参数和目标权重；
[0033]转换模块，用于利用
TensorRT
优化器对训练好的所述
YOLO
网络进行形式转换；
[0034]识别模块，用于将转换后的所述
YOLO
网络部署到识别终端上，通过所述识别终端对外破隐患源图像进行识别
。
[0035]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种外破隐患源图像识别方法，其特征在于，包括：引入
ECA
注意力机制改进
YOLO
网络中不同通道特征对应的权重；使用标注好的外破隐患源图像数据集对所述
YOLO
网络进行训练，得到所述
YOLO
网络的目标参数和目标权重；利用
TensorRT
优化器对训练好的所述
YOLO
网络进行形式转换；将转换后的所述
YOLO
网络部署到识别终端上，通过所述识别终端对外破隐患源图像进行识别
。2.
如权利要求1所述的外破隐患源图像识别方法，其特征在于，所述引入
ECA
注意力机制改进
YOLO
网络中不同通道特征对应的权重，具体包括：将
YOLO
网络中
Backbone
子网络的卷积网络组件替换为
ECA
‑
Net
网络组件，改进所述
Backbone
子网络中不同通道特征对应的权重
。3.
如权利要求1所述的外破隐患源图像识别方法，其特征在于，所述使用标注好的外破隐患源图像数据集对所述
YOLO
网络进行训练，得到所述
YOLO
网络的目标参数和目标权重，具体包括：按照预设比例将外破隐患源图像数据集划分为训练集
、
验证集和测试集；通过所述训练集不断调试所述
YOLO
网络的目标参数和目标权重，直至所述验证集的验证结果和所述测试集的测试结果满足预设条件
。4.
如权利要求3所述的外破隐患源图像识别方法，其特征在于，所述验证集的验证结果和所述测试集的测试结果满足预设条件，具体指：采用
Alpha
‑
IoU
损失函数对所述
YOLO
网络进行所述验证集计算和所述测试集的计算，直至所述
Alpha
‑
IoU
损失函数的值满足预设条件；所述
Alpha
‑
IoU
损失函数为：损失函数为：损失函数为：损失函数为：其中，
IoU
是目标框
B
和真实框
Bgt
之间的交并比；
β
是一个正数，用于调整损失函数的形状；
α
的值决定了损失函数对
IoU
的敏感程度；
C
为
B
和的最小凸形中的
B
和的中心点，
ρ
(
·
)
为欧几里得距离，
c
为最小
BBox
的对角线长度
。5.

【专利技术属性】
技术研发人员：李端姣，刘高，陈义龙，饶成成，李昌煜，廖如超，卢恒佳，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：