[发明专利]一种基于深度学习的航拍巡线影像自动分类系统

说明书

本发明涉及一种基于深度学习的航拍巡线影像自动分类系统。该方法包括：建立巡线影像分类图像库及其标签库；建立深度学习模型，包括VGGNet、ResNet、DenseNet、NasNet等高性能分类模型；训练分类模型，训练过程中每次迭代的输入数据都随机执行数据增强操作，包括旋转、填充式裁剪、灰度化；将训练好的四个模型进行集成，获得集成模型；设定分类规则，将待检测影像输入集成模型，取置信度前三的三个图像类别作为待检测影像的分类结果，拷贝存储至三个类别的服务器存档地；持续优化分类模型，定期对自动分类系统进行性能升级。

技术领域

本发明属于高压输电线路巡线技术、图像识别技术、机器学习技术领域，具体涉及一种基于深度学习的航拍巡线影像自动分类系统。

背景技术

输电线路承担着电力系统中电能输送的职能，对于输电线路的运检维护是各地电力部门的工作重心。近年来，无人机巡检因其具有经济性、灵活性与安全性，逐渐成为输电线路运检维护的主要手段之一。无人机航拍获得的影像，既可以让地面操作人员在现场直接确认明显的线路故障，也可以带回运检维护中心存储于服务器内，便于后续的数据诊断分析。输电线路的部件种类繁多，且数量庞大，光靠人工进行数据的诊断分析成本极高，需要人工智能算法辅助诊断。而目前的智能故障诊断算法对输电线路部件及其所处场景具有较高的针对性和依赖性，若图片中出现待诊断部件的图像特征同构体且训练数据中未曾出现过相似场景，则极易出现误识别。目前无人机影像的归类主要依据线路和杆塔号，各类部件混合在一起存放，大加了智能算法的诊断难度。因此，在巡线影像存储至服务器时，应当按照输电线路部件类别进行分类保存，按类诊断分析，提升智能诊断算法的性能，同时方便工作人员维护管理数据。无人机巡线影像数据量庞大，人工进行数据分类需要极高的成本，如何根据部件类别自动分类无人机巡线影像数据，是目前需要解决的技术问题。

发明内容

本发明的目的在于提供一种一种基于深度学习的航拍巡线影像自动分类系统，利用基于深度学习的图像分类技术识别出巡线影像所属类别，帮助巡线工作人员完成初步的巡线图像数据归类，方便运维管理，降低数据诊断分析难度，为后续的进一步诊断奠定基础，减轻人员工作强度并提升电力巡线的智能化水平。

为实现上述目的，本发明的技术方案是：一种基于深度学习的航拍巡线影像自动分类系统，包括如下步骤：

步骤S1、建立巡线影像分类图像库及其标签库：包括不同类别部件的无人机巡线图片，所有图片分为八类：杆塔、基础、绝缘子、接地装置、附属设施、导地线、小金具、大金具；其中附属设施包括防鸟设施和杆塔标识牌，小金具包含螺栓和螺母等紧固件，大金具包含防震锤、线夹、均压环和间隔棒；每种图像类别皆包含故障图片和非故障图片，两者数量相近，所有图片按照八个类别进行不区分故障的标注；

步骤S2、建立深度学习模型：建立深度卷积神经网络VGGNet、ResNet、DenseNet、NasNet高性能分类模型；

步骤S3、数据增强：利用数据增强技术扩充步骤S1的图像库，增加图像库的内容多样性，具体做法是将图像库中的一张原图通过包括旋转、填充式裁剪、灰度化数据的增强操作，变换为一张新的图像；增强操作只出现在训练过程中，所有的操作以一定概率施加在原图上，然后作为本次模型迭代训练的输入数据；

步骤S4、训练巡线影像分类模型：对步骤S1建立的巡线影像分类图像库及其标签库进行训练集与测试集的划分，利用步骤S2所建立的多种网络模型通过反向传播算法在训练集上训练，训练过程中利用步骤S3的数据增强方式提升模型性能，最终得到不同网络的巡线影像分类模型；

步骤S5、模型集成：生成深度学习多网络集成模型，将不同网络输出的类别置信度进行加权平均，获得最终的分类结果；

步骤S6、分类规则设定：将待检测的影像输入到集成模型中，取置信度前三的三个图像类别作为待检测影像的分类结果，拷贝存储至三个类别的存档地；