【技术实现步骤摘要】
本专利技术涉及深度学习在电力系统的应用领域，特别涉及一种融合杆塔上下文信息的电力线路场景识别方法。
技术介绍
1、在电力行业的智能巡检业务中，识别电力线路杆塔基础属于哪种场景非常重要。通过该场景识别，能够提供对环境整体情况的把握，进行综合性分析与评估。例如，判断某种场景类别对电力线路的安全运行可能产生的潜在影响，或者根据不同场景类别的分布情况进行风险评估，优化巡检策略和资源分配。
2、识别电力线路杆塔基础的场景类别可以帮助发现异常情况，例如未经许可的建筑物出现或水域泛滥。这种异常检测能够发现潜在的安全隐患，有助于快速采取相应的措施进行处理。同时，检测所处环境场景信息可以提供一些先兆信息，使得在事故发生前能够提前做出预测与规避措施。例如，识别农田和农作物场景，以便了解当前区域需要考虑农业活动对电力线路的潜在影响，如农药使用、农田灌溉等；识别沿线是否存在特殊区域，如保护区、公园、历史建筑等，这有助于确定线路周围的特殊保护措施和环境要求；识别沿线是否存在塌方和滑坡场景，这有助于预测并采取必要的措施防止土壤侵蚀、土地塌陷、山体滑坡等地质灾害现象对电力线路的影响等等。通过这些场景识别，可以提前预警潜在的风险，采取相应的防护措施。
3、综上所述，识别电力线路杆塔基础环境的场景对于电力行业的智能巡检业务至关重要，它不仅关乎安全性和效率提升，还能提供更全面、综合的信息和决策支持，从而保障电力系统的稳定运行和可靠供电。然而，目前电力行业智能巡检业务中尚未有成熟的电力线路场景识别方案。
技术实现思
1、为了克服现有技术中的不足，本专利技术提供一种融合杆塔上下文信息的电力线路场景识别方法，用于提高电力行业智能巡检业务的安全性和效率，提供更全面、综合的信息和决策支持。
2、为了达到上述专利技术目的，解决其技术问题所采用的技术方案如下：
3、一种融合杆塔上下文信息的电力线路场景识别方法，包括以下步骤：
4、步骤1：采集配电线路杆塔基础的图片；
5、步骤2：提取图像杆塔特征和图像场景特征；
6、步骤3：进行特征学习；
7、步骤4：融合杆塔特征和场景特征：
8、步骤5：进行图像场景识别。
9、进一步的，步骤1包括以下内容：
10、通过无人机、摄像头巡检监控设备，获取电力线路杆塔基础的图片；确保摄像设备的视野角度和焦距适当，避免障碍物或遮挡物的干扰；同时使用照明设备，以确保在低光环境下仍能获得清晰的图像。
11、进一步的，步骤2包括以下内容：
12、获取图像后，进行特征提取，特征提取分为两部分，一部分使用yolov5网络提取实体杆塔特征，一部分使用placesnet提取背景场景特征；
13、为了提取到更精确的杆塔位置及特征，需要在巡检监控设备获取的杆塔历史图像中，收集1000张不同的图片，标记图像中的杆塔，随机划分为训练集和验证集，作为yolov5网络预训练的数据集；同时，随机使用mixup方法，在每个epoch中随机选取两张图像，以一定概率融合生成新图像，实现数据扩充；
14、经过预训练的yolov5网络用于提取待测图中的杆塔特征，经过全局平均池化gap后，得到的杆塔特征记为object feature(xobject)；
15、placesnet用于提取图像的场景特征，placesnet在places2数据集上进行预训练，提取到的场景特征被记为scene feature(xscene_places)。
16、进一步的，步骤3包括以下内容：
17、为了得到更有效的杆塔特征，将xobject映射到一个新的向量空间：
18、xobject′＝relu(wxobject+b)
19、其中，relu(·)表示激活函数relu，w和b是可学习的权重矩阵和偏置项；
20、随后进行杆塔识别，使用距离交并比损失diou约束杆塔检测的锚框精度，公式如下：
21、
22、其中，b和bgt表示预测框的中心点和真实框的中心点，ρ2(b，bgt)表示两点之间的欧式距离，c表示包含这两个框的最小矩形对角线长度，lossobj作为总训练损失losstotal的一部分，指导模型参数的生成；
23、由于杆塔特征和场景特征属于不同特性的特征，直接拼接会影响融合效果，因此在提取到xobject′之后引入了类转换矩阵ccm，类转换矩阵能够通过训练学习对象特征和场景特征之间的关系，并将对象特征转换为场景特征，方便后续融合运算，公式如下：
24、yobject→scene＝wxobject+b
25、其中，w∈rm×n和b∈rm是可学习的权重矩阵和偏置项，yobject→scene∈rm是xobject经过映射之后的输出，n是输入向量的维数，m是输出向量的维数，将杆塔特征转化为场景特征时，n＝1000，m＝434；
26、由于placesnet使用places2数据集进行预训练，因此当placesnet应用于places2以外的场景识别数据集时，可能会出现性能下降；这种情况下，再次使用ccm将从placesnet提取的场景特征转换为电力线路杆塔场景特征，得到xscene_electric，xobject→scene表示通过类转换矩阵将对象特征转换为场景特征而获得的伪场景特征。
27、进一步的，步骤4包括以下内容：
28、杆塔的存在和相互关系可以提供上下文信息，有助于更准确地识别场景，通过设计相关上下文门控机制ccg来选择性地激活场景特征的不同通道，在这种方式下，与杆塔相关程度更大的通道得到更大的权重，在场景识别任务中起到更大的作用；
29、使用ccg方法进行特征融合的公式如下：
30、yscene＝σ(xobject→scene_electric)⊙xscene_places→scene_electric
31、 ＝σ(w1xobject+b1)⊙(w2xscene_places+b2)
32、其中，σ(·)表示sigmoid激活函数，w1、w2和b1、b2分别为可学习的权重矩阵和偏置项，⊙表示哈达玛积运算。
33、进一步的，步骤5包括以下内容：
34、将上一步骤中得到的yscene送入softmax分类器，得到不同场景的置信度，取置信度最高的分类作为该待测图像的场景识别结果；同时，使用联合损失函数losstotal指导模型中的参数生成，losstotal包括场景识别和杆塔识别两部分，公式如下：
35、
36、其中，m为场景分类数量，yic为符号函数，如果样本i的真实类别等于c，则yic取1，否则取0；pic是神经网络的输出，即观测样本i属于类别c的预测概率，λ为超参数，用于调节杆塔识别任务的权重值，以控制两项任务的训练程度。
37、本发本文档来自技高网...
【技术保护点】
1.一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤1包括以下内容：
3.根据权利要求2所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤2包括以下内容：
4.根据权利要求3所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤3包括以下内容：
5.根据权利要求4所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤4包括以下内容：
6.根据权利要求5所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤5包括以下内容：
【技术特征摘要】
1.一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤1包括以下内容：
3.根据权利要求2所述的一种融合杆塔上下文信息的电力线路场景识别方法，其特征在于，步骤2包括以下内容：
4.根...
【专利技术属性】
技术研发人员：朱林，吴典胜，吴茂俊，杨洛，
申请(专利权)人：江苏金智科技股份有限公司，
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。