[发明专利]一种基于深度学习的输电线路目标检测与监控方法

说明书

本发明公开了一种基于深度学习的输电线路目标检测与监控方法，其在输电线路目标检测场景收集大量图像数据后，根据一定正负样本比例清洗筛选，再通过人工对危险目标精准标注，分为训练集、验证集、测试集；模型训练之前进行诸如缩放、旋转、裁剪、翻转等数据扩增方法；将改进后的Huge‑YOLO v3在Darknet深度学习框架上构建模型，并借助最新强大的软硬件计算设备训练，训练过程中根据loss下降变化保存模型，并通过一些评估指标加以判断，最后综上指标评估得分，选取收敛拟合效果最佳的模型；本发明方法能够获取更高层的语义信息和更底层细粒度特征信息，从而提高目标检测准确度，解决目标尺度相差巨大的问题。

技术领域

本发明涉及电力系统监控技术领域，尤其涉及一种基于深度学习的输电线路目标检测与监控方法。

背景技术

在输电线路防外破的监控系统中采集大量图像数据，通过深度学习目标检测技术能够将对线路存在潜在威胁的目标进行检测预警，例如汽吊、钓鱼的人等目标对导线可能造成干扰破坏。深度学习模型有着强大的表示能力，能够在图像目标监控技术领域发挥重要作用。目标检测关注特定物体目标的类别信息和位置信息，目前主流框架主要分为两阶段(two-stage)和单阶段(one-stage)两种检测模型。

YOLO v3基于更好的基础分类网络(类ResNet)和分类器(Darknet-53)，同时吸收金字塔特征表示法(FPN)的多尺度预测思想，YOLO v3在图像张量前向过程中尺寸变换，通过卷积核增大步长处理，缩放3次达到1/32，从不同尺度提取三层特征图(大小分别为52×52、26×26、13×13)，并且各层独立预测，同时上采样的方式拼接融合进一步预测，最后用维度聚类出9个尺度的anchor box，平均分配在3层特征图上进行预测，其感受野分别对应8×8、16×16、32×32。YOLO v3类别损失函数由Softmax换成Sigmoid函数解决同类型大分类和小分类问题。虽然YOLO v3能在速度方面取得优异成绩，多尺度训练为了在速度和准确度之间权衡，在对极小和极大的物体目标检测中效果不是特别理想。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习的输电线路目标检测与监控方法，该方法是在单阶段的YOLO v3的基础上做改进，解决输电线路场景拍摄图像中含有目标尺度大小相差巨大的问题；改进多尺度预测在YOLO v3不同层对特征提取融合的方式，能够获取更高层的语义信息和更底层细粒度特征信息，从而提高目标检测准确度，解决目标尺度相差巨大的问题。

本发明基于深度学习的输电线路目标检测与监控方法如下:

(1)通过输电线路现场的监控拍摄设备采集特定目标的图像；

(2)按3:7～5:5的正负样本比例，对步骤(1)图像进行筛选，挑选角度合适的图像，删除无目标或者不清晰的图像，正样本即含有特定目标的图像，负样本为不含有特定目标的图像；

(3)通过LabelImg工具对筛选出来的图像中的特定目标进行标注，并将图像分为训练集、验证集、测试集；

(4)在模型训练之前对图像样本进行扩增，采用缩放、旋转、裁剪或翻转的方式对图像进行扩增；

(5)用改进的Huge-YOLO v3在Darknet深度学习框架上构建模型；

(6)基于构建的模型，并借助GPU Nvidia GTX 1080Ti硬件环境进行训练；训练过程中不断调整参数，优化损失函数loss的值达到最小，根据loss下降变化保存不同模型，通过准确度、召回率、IoU、mAP评估指标来进行综合判断，选取收敛拟合效果最佳的模型作为检测和监控模型；

(7)将待检测的图像输入已训练好的检测和监控模型中，对图像特定目标的类别和位置，以及该目标的可信度经过模型推理识别，对有潜在危害的特定目标出现时，通过报警系统将预警信息发送给相关输电线路巡检工作人员，巡检工作人员根据实际情况予以处理。