【技术实现步骤摘要】
本专利技术属于电网鸟害分析，具体涉及一种基于图像识别的输电线鸟害相关鸟类分类方法。
技术介绍
1、随着电网规模不断扩大，生态环境的不断改善，鸟类数量和活动范围的不断提升，鸟类活动与电网运行之间的矛盾日益突出，输电线鸟害已经成为电网设备损坏的重要原因之一。输电线鸟害严重降低了电力系统运行的稳定性，威胁整个电力系统的安全，影响社会群众的日常生活，因此，应给予鸟害防治更多的重视与关注。
2、目前输电线鸟害的基本形式主要有四种，分别为鸟巢类、鸟粪类、鸟体短接类、鸟啄类故障，针对这些问题，电力领域提出许多防治方法，如人工驱鸟、防鸟刺、防鸟盒和防鸟挡板等。这些措施在一定程度上减少了输电线鸟害的发生，保障了电力系统稳定运行。然而，实践表明这些措施仍存在一定的缺陷，不符合鸟类保护要求，且防治效果有待进一步提升。要采取具有针对性和差异化的防治措施，正确识别出引起输电线故障的鸟种十分重要。
3、鸟种识别的方法包括图像识别和鸟鸣声识别，输电线周围通常存在风声、电流声、机械设备的运作声等大量背景噪音。这些噪声会与鸟鸣混杂在一起，影响声音采集的清晰度，导致识别算法难以从噪声中提取出有效的鸟鸣信号。而图像可以清楚地捕捉到鸟类羽毛的颜色、形状、斑纹等外观特征信息，有效提高识别的准确性与可靠性，且能很好地解决上述问题。目前，国内外针对输电线鸟害相关鸟类图像识别的研究相对较少，现有研究大多集中在生态学领域。现有方法对图像质量要求较高，但在输电线场景下，鸟类图像往往背景复杂，且常伴随运动模糊，传统的识别方法在该场景中表现不佳。
技术实现思路
1、针对输电线鸟类图像运动模糊严重、分类准确率低、运算能力要求较高的问题，本专利技术公开了一种基于图像识别的输电线鸟害相关鸟类分类方法。
2、该方法对高清摄像头获取的输电线鸟害相关鸟类的图像进行处理与分类，提出基于deblurganv2-drm的鸟类图像去模糊方法，利用残差unet结构结合细节恢复模块(drm)逐步生成清晰的鸟类图像。然后，通过构建的一种基于mobilenetv3的鸟类图像分类轻量化模型进行鸟种分类，最终实现对运动模糊背景下鸟类种类的精准识别。本方法具有分类精度高、适用范围广、有效去除运动模糊干扰、网络模型轻量化程度高、运算速度快等优势。
3、一种基于图像识别的输电线鸟害相关鸟类分类方法，包括：首先获取的输电线鸟害相关鸟类的图像并进行预处理；对于存在运动模糊的图像，利用基于deblurganv2-drm的鸟类图像去模糊方法对该图像进行去模糊，获得清晰的鸟类图像；将清晰的鸟类图像输入构建的基于mobilenetv3的鸟类图像分类轻量化网络中进行鸟类种类的分类，输出识别结果。
4、所述基于mobilenetv3的鸟类图像分类轻量化网络中，通过引入通道注意力机制和空间注意力机制，进一步提取初始特征图中对应的空间区域特征和通道特征。
5、进一步的，一种基于图像识别的输电线鸟害相关鸟类分类方法，包括如下步骤：
6、(1)通过高清摄像头获取输电线鸟害相关鸟类的图像；
7、(2)对高清摄像头采集到的输电线鸟类图像数据进行裁剪和去噪，以确保图像数据的质量；
8、(3)对预处理后的图像进行随机裁剪、旋转、水平翻转等数据增强操作，增强模型的泛化能力，并对图像进行归一化处理；
9、(4)提出基于deblurganv2-drm的图像去模糊方法，该方法利用残差unet结构，结合多层卷积、自适应卷积、局部注意力机制和跳跃连接，逐步生成清晰的鸟类图像，去除运动模糊的干扰；
10、(5)构建一种基于mobilenetv3的鸟类图像分类轻量化网络，结合通道和空间注意力机制，通过深度可分离卷积提取图像的局部和全局特征，并通过全连接层进行鸟类种类的分类；
11、(6)将经过训练的神经网络应用于新的鸟类图像数据，输出识别结果，实现对目标鸟类种类的精确分类。
12、步骤(3)中所述数据增强操作仅在模型训练阶段需要，在实际进行分类时，可以省略该操作，直接对对预处理后的图像进行归一化处理即可。
13、进一步，在实际分类时，所述预处理包括：
14、(1-1)裁剪获取图像中鸟类的感兴趣区域；
15、(1-2)对裁剪后的图像进行大小标准化处理；
16、(1-3)利用高斯滤波去噪对大小标准化处理后的图像进行去噪处理；
17、(1-4)对图像进行归一化处理。
18、进一步，对模型进行训练阶段，对预处理后的图像进行图像数据泛化能力增强处理，处理方法包括随机裁剪、随机旋转、水平翻转中的一种或多种。通过随机裁剪操作，从预处理后的图像中截取不同区域，确保模型在训练过程中能够适应各种不同尺寸和位置的鸟类图像。通过随机旋转、水平翻转进一步丰富数据样本。通过归一化处理将图像的像素值缩放到[-1,1]，保证图像数据具有一致性，并加速模型训练过程。提升模型在不同场景下的泛化能力和稳定性，为后续分类提供了更具多样性的输入数据。
19、进一步，所述基于deblurganv2-drm的鸟类图像去模糊方法中，利用跳跃连接将编码器和解码器相对应层输出的特征图直接连接，获得解码器当前层的融合特征；同时在编码器中利用细节恢复模块，进一步提取每层融合特征的细节信息，获得细化后的特征图；最后经过上采样输出去模糊后的清晰图像。
20、进一步，所述编码器的每一层中，先对输入的特征图进行卷积运算实现下采样，然后再应用relu激活函数激活，获得输出特征图。解码器中，则通过反卷积将特征图的空间分辨率逐步提高，其输入特征图是前一层特征图经过反卷积、融合以及细节恢复后的结果。
21、该方法中，通过跳跃连接将编码器和解码器相对应层的特征图直接连接，以保留低层次的边缘和纹理信息，增强解码器的重构能力。
22、该方法中，跳跃连接融合后的特征会被输入到细节恢复模块(drm)，进一步强化细节还原效果。drm先通过局部注意力生成特征图的权重矩阵a，局部注意力机制通过对权重矩阵a进行加权，确保图像的关键区域得到额外关注。接着使用权重图a对特征图进行自适应卷积，通过对特征图的权重调整使网络能够捕捉细节信息，进一步去除模糊，生成细化后的特征图。
23、最后利用解码器最后一层对细化后的特征图进行上采样，将特征图恢复到原始图像的分辨率。跳跃连接会将早期提取的特征信息引入到这一阶段，帮助生成更清晰的图像。
24、在deblurganv2-drm训练过程中，通过判别器d来评估模型生成的图像与真实清晰图像的差异，去模糊后的图像经过判别器网络，与真实的清晰图像进行对比，判别其真实性，对网络模型进行反向传播控制。除了gan的对抗损失之外，deblurganv2-drm还使用感知损失和像素损失来进一步优化输出，使得生成本文档来自技高网...
【技术保护点】
1.一种基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，包括：获取的输电线鸟害相关鸟类的图像并进行预处理；对于存在运动模糊的图像，利用基于DeblurGANv2-DRM的鸟类图像去模糊方法对该图像进行去模糊，获得清晰的鸟类图像；将清晰的鸟类图像输入构建的基于MobileNetV3的鸟类图像分类轻量化网络中进行鸟类种类的分类，输出识别结果；所述基于MobileNetV3的鸟类图像分类轻量化网络中，通过引入通道注意力机制和空间注意力机制，进一步提取初始特征图中对应的空间特征和通道特征。
2.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，对模型进行训练阶段，对预处理后的图像进行图像数据泛化能力增强处理，处理方法包括随机裁剪、随机旋转、水平翻转中的一种或多种。
4.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述基于DeblurGANv2-DRM的鸟类图像去模糊方法中，利用跳跃连接将编码器和解码
5.根据权利要求4所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述编码器的每一层中，先对输入的特征图进行卷积运算实现下采样，然后再应用ReLU激活函数激活，获得输出特征图。
6.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述基于MobileNetV3的鸟类图像分类轻量化网络中：
7.根据权利要求6所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，在通道注意力模块中，通过对输入特征图进行全局平均池化和全局最大池化，将这两种池化结果拼接在一起，并经过1×1卷积层提取关键特征；然后将关键特征输入Sigmoid层，输出通道注意力权重；最后，通过将原始输入特征图与通道注意力权重相乘获得通道特征图。
8.根据权利要求6所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，在空间注意力模块中，对原始输入特征图进行全局平均池化和全局最大池化，并将两种池化结果拼接，然后将拼接结果通过1×1卷积层与Sigmoid激活函数处理，输出空间注意力权重；最后，通过原始特征图与空间注意力权重相乘获得空间特征图。
9.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，分类结果将在原始图像上显示。
...【技术特征摘要】
1.一种基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，包括：获取的输电线鸟害相关鸟类的图像并进行预处理；对于存在运动模糊的图像，利用基于deblurganv2-drm的鸟类图像去模糊方法对该图像进行去模糊，获得清晰的鸟类图像；将清晰的鸟类图像输入构建的基于mobilenetv3的鸟类图像分类轻量化网络中进行鸟类种类的分类，输出识别结果；所述基于mobilenetv3的鸟类图像分类轻量化网络中，通过引入通道注意力机制和空间注意力机制，进一步提取初始特征图中对应的空间特征和通道特征。
2.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述预处理包括：
3.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，对模型进行训练阶段，对预处理后的图像进行图像数据泛化能力增强处理，处理方法包括随机裁剪、随机旋转、水平翻转中的一种或多种。
4.根据权利要求1所述的基于图像识别的输电线鸟害相关鸟类分类方法，其特征在于，所述基于deblurganv2-drm的鸟类图像去模糊方法中，利用跳跃连接将编码器和解码器相对应层输出的特征图直接连接，获得解码器当前层的融合特征；同时在编码器中利用细节恢复模块，进一步提取每层融合特征的细节信息获得细化后的特征图，最后经过最后的反卷积层进...
【专利技术属性】
技术研发人员：朱文，高健，侯北平，梁睿，于爱华，
申请(专利权)人：浙江科技大学，
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。