[发明专利]基于深度学习的输电线路施工机械隐患检测方法

说明书

本发明涉及输电线路检测技术领域，具体涉及一种基于深度学习的输电线路施工机械隐患检测方法，包括以下步骤：a、摄像机抓拍输电线路范围内的图片，通过4G网络传送到服务器中；b、在服务器端获取并且对含有隐患施工机械的图片进行标注，使用神经网络模型训练已经标注的图片，并获得施工机械监测模型进行检测；c、将施工机械监测模型部署到服务器中加载模型参数，检测摄像机新拍摄并上传的图片是否存在隐患施工机械，如果存在就报警，如果不存在就继续检测摄像机新拍摄并上传的图片；本发明使用两阶段目标检测算法，并做了针对性的改进工作，实现了高精度的通道隐患目标检测。在国家电网的输电通道图像数据集中，隐患检测的准确率提升到87％。

技术领域

本发明涉及输电线路检测技术领域，具体涉及一种基于深度学习的输电线路施工机械隐患检测方法。

背景技术

在电网行业，输电线路的安全问题始终都是至关重要的。输电线路是否安全对于电网能够安全可靠的运行具有重要的意义，所以需要定期对输电线路的运行状态进行监测。然而科技化的进程加快使得机械施工逐步延伸到输电线路通道内，严重威胁着输电线路的安全运行，使输电线路产生了巨大的安全隐患。另一方面，当前维护人员采用人工巡线方式对输电线路进行监测，人工巡线存在巡视真空期，不能及时掌握线路走廊变化情况，并且输电线路纵横跨度大、分布地形复杂。线路状态参数种类繁多，很多环节不易人工发现，极大地消耗了人力，降低了效率。

综上所述，如何提供一种高效、可靠的输电通道施工机械检测系统及方法，为输电线路隐患检测提供技术支撑，是目前本领域技术人员亟待解决的问题。

发明内容

为了解决上述技术问题中的不足，本发明的目的在于：提供一种基于深度学习的输电线路施工机械隐患检测方法,实现了输电线路隐患施工机械的准确高效的检测，解决了输电通道人工巡视的成本，提高了巡检隐患的效率，有助于实现电网运行的智能化管理。

本发明为解决其技术问题所采用的技术方案为：

所述基于深度学习的输电线路施工机械隐患检测方法，包括以下步骤：

a、摄像机抓拍输电线路范围内的图片，通过4G网络传送到服务器中；

b、在服务器端获取并且对含有隐患施工机械的图片进行标注，使用神经网络模型训练已经标注的图片，并获得施工机械监测模型进行检测；

c、将施工机械监测模型部署到服务器中加载模型参数，检测摄像机新拍摄并上传的图片是否存在隐患施工机械，如果存在就报警，如果不存在就继续检测摄像机新拍摄并上传的图片。

优选的,步骤a所述通过4G网络传入服务器是指，摄像机中包含4G网络的接入和控制设备，控制设备自动将摄像机抓拍的监控图片上传到服务器中，4G网络的接入设备能够连接到电信运营商的无线网络中，进行图片的远程传输。

优选的,步骤b具体的方法是：对需要检测的输电通道施工机械图像进行标注，使用深度学习框架Tensorflow训练施工机械监测模型，施工机械监测模型的输入是监控图片，输出是图片中所包含的施工机械的像素位置和类别。

优选的,步骤b中的神经网络模型是更加先进的更适合施工机械的物体检测算法，该算法基于Faster-RCNN两阶段物体检测算法进行改进，使用更薄的特征层和更小的R-CNN子网络，更薄的特征层不仅提高提升精度并且节省了训练和使用时候的内存和计算量。

优选的,步骤c的具体方式是在服务器中运行输电线路通道隐患检测模型，等待摄像机上传监控图片，一旦图片上传完成，则自动进行隐患检测，存储分析结果。

与现有技术相比，本发明具有以下有益效果：

1、本发明能快速地实现巡检输电线路上的隐患施工机械，在监控摄像机中的嵌入式处理器平台中，在GPU上的检测速度达到百毫秒级。