[发明专利]一种基于对抗训练的检测输电线路中鸟巢的方法

说明书

本发明涉种一种基于对抗训练的检测输电线路中鸟巢的方法，包括下面几个方面：搭建网络结构，网络结构有两个主要部分。第一个是生成对抗网络，对抗训练的目标是在具有高位参数的连续问题中找到纳什平衡，生成器能够生成足够接近真实样本的数据，鉴别器能够分辨出生成器生成的图片和原图，使用三个生成器和两个判别器。第二个是CNN结构的二分类器。数据集的构建。训练检测模型：设置模型的参数，包括迭代次数，卷积核尺寸，具体操作时，将图片放入指定的文件夹，开始训练，训练指定步数后，完成训练。用测试模型对要测试的图片进行分类。在训练完成后，只需要网络结构中的判别器，将待检测的图片送入判别进行分类，得到有无鸟巢的结果，对应分类结果将图片保存至对应的文件夹。

技术领域

本发明属于遥感影像领域，涉及一种基于深度学习技术的无人机巡检航拍图像中识别鸟巢的方法。

背景技术

近年来，随着人类加强对大自然的保护，鸟类的数量增多，活动范围扩大。有统计资料表明，由于鸟类活动引起的线路故障仅次于雷害和外力破坏，占线路故障总数的第3位，已经严重危害了输电线路的安全运行。因此，在鸟害故障形成机理和防治对策的研究方面要投入更多时间和精力，使得该类故障可预防和监测，减小其对输电线路的安全运行的影响。

为了满足电力系统工程应用中的迫切需求，在输电线路发生故障后要通过技术手段精准测量定位、精确诊断分析，以达到快速消除故障、恢复输电线路供电。目前输电线路故障定位主要依赖两种定位方法，即阻抗法和行波法。阻抗法是根据设备故障的参数信息计算故障回路的阻抗来确定故障点，这种方法在实际运用中测距效果较差，很难满足复杂的输电线路的故障定位；行波法是通过分析故障行波的传输理论和特征完成定位分析，定位结果的准确度高，应用范围广。在输电线路故障原因的识别方面，国内还没有直接有效的研究成果能实现快速准确的故障源辨识。大多数情况下是依靠工作人员的经验来判断故障原因，可靠性低，尤其对鸟害、树障、漂浮物等非雷击故障的判断结果偏差极大，输电线路的安全运行很难得到有效保证。所以通过无人机或直升机进行自动巡检成为了未来的趋势[1]。

在输电线路的鸟巢检测中，正常与异常样本的数据量相差悬殊。因其数据不平衡性，使用常用图像分类方法如卷积神经网络和支持向量机等对其进行分类效果并不理想。

对抗训练是生成对抗网络的训练方法，生成对抗网络提供了一种通过无监督学习获得深度表征的方法，通过反向传播算法和不断更新两个网络并执行竞争性学习达到其训练目的。其在之前已经被证明可以生成足够逼真的图像，在图像合成、视频检测、图像语义解释、图像超分辨率恢复中都取得了非常不错的成果。生成对抗网络的优点如下：

(1)有别于传统的概率生成模型，生成对抗网络避免了马尔科夫链式的设计机制降低了计算的复杂度，提高了应用效率[2-4]。

(2)当概率密度不可计算时，传统的模型难以进行训练学习和使用，而生成对抗网络因为使用了对抗训练的机制，所以在这种情况下依然可以使用。

[1]陈志威，余盛达，王禄庆，林玉妮.输电线路鸟害故障的智能诊断与防范措施.机电工程技术。2019(48):162-167

[2]Dai Z H,Yang Z L,Yang F,et al.Good semi-supervised learning thatrequires a bad gan.2017.

[3]Shrivastava A,Pfister T,Tuzel O,et al.Learning from simulated andunsupervised images through adversarial training.2017.

[4]Li J,Monroe W,Shi T,et al.Adversarial learning for neural dialoguegeneration.2017.

发明内容