[发明专利]基于深度卷积神经网络的输电线路图像识别方法及装置

说明书

本发明涉及一种基于深度卷积神经网络的输电线路图像识别方法及装置，首先对输电线路图像进行预处理作为模型训练的样本集，包括对外破、山火等故障样本图片进行图片尺寸大小统一处理，以及故障类型标注，生成标注文件集；其次，采用基于特征图提取的深度卷积神经网络方法，对样本图片集进行训练，生成模型文件；最后，采用在摄像机前端部署基于深度卷积神经网络模型的图像识别装置，实现对输电线路故障快速、准确识别。本发明提供的基于特征图深度卷积神经网络的输电线路图像识别方法及装置，能够提高多种故障类型图片识别的时效性，降低图片回传至后台服务器进行图像识别的网络资源及服务器内存资源消耗率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度卷积神经网络的输电线路图像识别方法及装置。

背景技术

输电线路是电力系统的主干网络，规模大、距离长、分布地域广，通常分布在偏远地带，运行环境比较恶劣。山火、滑坡等自然灾害损害架空输电线路的正常运行，同时还存在施工机械、超高车辆、船舶导致外力破坏的危险。传统采用人工巡线的方式存在劳动强度大、工作效率低的问题，对突发的自然灾害及外破事件应对时效性差。目前，采用视频、图像远程监控手段对输电线路安全运行状况进行实时感知，具有智能化水平高、时效性强等特点，是智能电网建设重要组成部分。

然而，输电线路智能运维监控平台每天产生大量的视频、图像信息，仅仅依靠监控平台进行故障的识别导致服务器运行压力大，增加服务器扩容成本。此外，将所有图像信息传输到服务器端导致网络资源占有率较大，通讯费用较高。

发明内容

针对现有技术中存在的问题，本发明提供一种基于深度卷积神经网络的输电线路图像识别方法及装置，能够提高多种故障类型图片识别的时效性，降低图片回传至后台服务器进行图像识别的网络资源及服务器内存资源消耗率。

为达到上述目的，本发明提供了一种基于深度卷积神经网络的输电线路图像识别方法，包括如下步骤：

(1)对输电线路图像进行预处理、标注故障类型及坐标位置，形成模型训练的样本集；

(2)建立基于特征图提取的深度卷积神经网络图像识别模型，采用所述样本集中的样本进行训练并封装；

(3)采集输电线路图像，采用封装后的深度卷积神经网络图像识别模型进行识别，判断是否发生故障以及故障位置。

进一步地，所述步骤(1)中对输电线路图像进行预处理、标注故障类型及坐标位置，包括：

采用聚类分析的方法，对输电线路监测系统产生的输电线路图像进行筛选，选出各种故障类型图像样本；

利用Python编程语言实现对所有输电线路图片进行尺寸大小处理，使之成为模型训练输入的标准尺寸，并且采用统一的图片命名规则命名并标注故障类型；

运用图像标注软件工具，对输电线路图像中的各种故障类型的故障位置进行标注，生成样本标注文件。

进一步地，所述故障类型包括输电线路施工机械、塔吊、吊车及山火。

进一步地，步骤(2)中，建立基于特征图提取的深度卷积神经网络图像识别模型，采用所述样本集中的样本进行训练并封装步骤如下：

采用单步分类识别的深度学习方法，构建基于特征图提取的深度卷积神经网络算法模型；

采用所述样本集中的样本作为深度卷积神经网络模型的输入，设置网络模型配置文件中的学习率及变动因子、模型训练次数，进行深度卷积神经网络模型训练，直至精度满足要求或训练次数结束；

从所述样本集中的样本中选取测试样本，测试样本的深度卷积神经网络模型识别准确率精度；

调整学习率及变动因子、模型训练次数，重新训练深度卷积神经网络模型，并测试深度卷积神经网络模型识别准确率；