【技术实现步骤摘要】
一种基于轻量化目标检测模型的电力线路鸟类辨识方法
[0001]本专利技术属于输电线路监测图像数据处理
,具体涉及一种基于轻量化目标检测模型的电力线路鸟类辨识方法
。
技术介绍
[0002]电网的安全稳定运行确保了日常生活和经济活动的供电可靠性,避免了停电和电力波动对生产
、
通信
、
交通等方面造成的严重影响
。
然而,随着电网建设规模的不断扩大,电力线路对鸟类也造成了严重的威胁,尤其是对迁徙鸟类,甚至会伤害到珍稀保护鸟类
。
数百万只鸟类因与电力线路发生碰撞或触电而死亡,这对生态系统和鸟类多样性造成了巨大的危害
。
鸟类通常无法识别电线或电缆,尤其是在恶劣的天气条件下或在夜间
。
这导致了大量鸟类在飞行时与电线相撞,造成严重的伤害甚至死亡
。
由于架空输电线路和杆塔的特殊结构,会吸引鸟类在线路上栖息
、
觅食或筑巢,而当鸟类同时触碰到不同电压等级线路时,就会形成电流通路,使其遭受电击
。
为了减少电力线路对鸟类的危害,采取了一些防鸟措施,如防鸟装置
、
鸟类保护装置
、
改造架空输电线路和杆塔结构等
。
然而,这些措施需要对鸟类的种类和行为有准确的识别和了解,以便采取相应的保护措施
。
[0003]鉴于此,鸟种识别技术在电网危害研究和保护工作中变得至关重要
。
识鸟是防鸟的前提r/>。
利用现代计算机视觉和人工智能技术,可以开发出鸟类识别系统,通过分析电网周围的视频监控或图像数据,在复杂的巡线图像中定位并分类危害鸟种
。
这种技术可以有效地帮助保护人员监测电力线路周围的鸟类活动,并及时采取措施,减少鸟类与电力线路的碰撞和电击事故
。
为电网的工作人员提供准确且快速的识鸟工具,针对不同类型和机理的涉鸟故障进行差异化防治,进一步提高电网的安全稳定运行和对于开展涉鸟故障生态防治具有重要意义
。
技术实现思路
[0004]鉴于此,本专利技术的目的在于提供一种基于轻量化目标检测模型的电力线路鸟类辨识方法,用于准确且快速识别出电力线路相关危害鸟种,进而辅助巡检人员进行准确识鸟,对于开展涉鸟故障生态防治具有重要意义
。
[0005]为实现上述目的,本专利技术提供如下技术方案:一种基于轻量化目标检测模型的电力线路鸟类辨识方法,包括以下步骤:
[0006]S1
:构建电力线路相关危害鸟类图像数据集,并划分为训练集
、
测试集和验证集;
[0007]S2
:搭建轻量化目标检测模型,轻量化目标检测模型包括轻量级特征提取网络
、
轻量级特征融合网络和多重注意力机制统一物体检测头;
[0008]所述轻量级特征提取网络包括5个
CBS
模块,4个
CFE
模块和1个
SPPF
模块,共
10
个部分构成:第
1、2、4、6、8
个部分为
CBS
模块,第
3、5、7、9
个部分为
CFE
模块,第
10
个部分为
SPPF
模块,并将第5个部分
、
第7个部分和第
10
个部分的输出特征图分别命名为
FM1、FM2
和
FM3
;
[0009]所述轻量级特征融合网络包括3个
Shuffle
注意力模块,2个上采样模块,4个
CFE
模
块,2个
CBS
模块,具体融合过程为:
FM1、FM2
和
FM3
分别经过
Shuffle
注意力模块得到特征图
FM4、FM5
和
FM6
,
FM6
经过上采样模块与
FM5
进行融合后获得特征图
FM7
,
FM7
依次经过
CFE
模块获得特征图
FM8
,
FM8
经过上采样模块和
FM4
融合后再经过
CFE
模块获得特征图
FM9
,
FM9
经过
CBS
模块后与
FM8
融合后再经过
CFE
模块获得特征图
FM10
,
FM10
经过
CBS
模块后与
FM6
融合后再经过
CFE
模块获得特征图
FM11
,最终选择特征图
FM9、FM10
和
FM11
作为轻量级特征融合网络的输出;多重注意力机制统一物体检测头包括3个,将特征图
FM9、FM10
和
FM11
输入至多重注意力机制统一物体检测头中进行预测;
[0010]S3
:训练轻量化目标检测模型,加载在
COCO
数据集上预训练的权重进行迁移学习,利用训练集和测试集对构建的轻量化目标检测模型进行训练和设置训练参数;
[0011]S4
:将测试集输入至训练好的轻量化目标检测模型中进行预测
。
[0012]进一步优选,所述
CFE
模块由1个分离模块
、2
个
CBS
模块
、2
个
FasterNet
‑
ECA
模块组成,输入特征图依次经过1个
CBS
模块
、1
个分离模块
、1
个
FasterNet
‑
ECA
模块
、1
个
FasterNet
‑
ECA
模块,经过每个模块后的输出特征图分别为
P1、P2、P3、P4,然后将
P1、P2、P3、P4进行融合后与
P4再次融合获得特征图
P5,
P5经过一个
CBS
模块后作为
CFE
模块的输出
。
[0013]进一步优选,所述
FasterNet
‑
ECA
模块包括部分卷积模块
、CBR
模块
、
普通卷积模块和
ECA
有效通道注意力机制模块,输入特征图依次经过部分卷积模块
、CBR
模块
、
普通卷积模块和
ECA
有效通道注意力机制模块,并在输入和输出之间添加残差连接
。
...
【技术保护点】
【技术特征摘要】
1.
一种基于轻量化目标检测模型的电力线路鸟类辨识方法,其特征在于,包括以下步骤:
S1
:构建电力线路相关危害鸟类图像数据集,并划分为训练集
、
测试集和验证集;
S2
:搭建轻量化目标检测模型,轻量化目标检测模型包括轻量级特征提取网络
、
轻量级特征融合网络和多重注意力机制统一物体检测头;所述轻量级特征提取网络包括5个
CBS
模块,4个
CFE
模块和1个
SPPF
模块,共
10
个部分构成:第
1、2、4、6、8
个部分为
CBS
模块,第
3、5、7、9
个部分为
CFE
模块,第
10
个部分为
SPPF
模块,并将第5个部分
、
第7个部分和第
10
个部分的输出特征图分别命名为
FM1、FM2
和
FM3
;所述轻量级特征融合网络包括3个
Shuffle
注意力模块,2个上采样模块,4个
CFE
模块,2个
CBS
模块,具体融合过程为:
FM1、FM2
和
FM3
分别经过
Shuffle
注意力模块得到特征图
FM4、FM5
和
FM6
,
FM6
经过上采样模块与
FM5
进行融合后获得特征图
FM7
,
FM7
依次经过
CFE
模块获得特征图
FM8
,
FM8
经过上采样模块和
FM4
融合后再经过
CFE
模块获得特征图
FM9
,
FM9
经过
CBS
模块后与
FM8
融合后再经过
CFE
模块获得特征图
FM10
,
FM10
经过
CBS
模块后与
FM6
融合后再经过
CFE
模块获得特征图
FM11
,最终选择特征图
FM9、FM10
和
FM11
作为轻量级特征融合网络的输出;多重注意力机制统一物体检测头包括3个,将特征图
FM9、FM10
和
FM11
输入至多重注意力机制统一物体检测头中进行预测;
S3
:训练轻量化目标检测模型,加载在
COCO
数据集上预训练的权重进行迁移学习,利用训练集和测试集对构建的轻量化目标检测模型进行训练和设置训练参数;
S4
:将测试集输入至训练好的轻量化目标检测模型中进行预测
。2.
根据权利要求1所述的一种基于轻量化目标检测模型的电力线路鸟类辨识方法,其特征在于,所述
CFE
模块由1个分离模块
、2
...
【专利技术属性】
技术研发人员:邱志斌,周志彪,童志鹏,李俊轩,张润,
申请(专利权)人:南昌大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。