[发明专利]基于深度学习的输电线路异常目标检测方法及系统

说明书

本发明涉及目标检测技术领域，提供一种基于深度学习的输电线路异常目标检测方法、系统及存储介质。所述方法包括：根据预先收集的输电线路通道内的图像数据进行网络模型训练，所述网络模型训练包括：对目标检测算法的损失函数进行优化，利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型；采集当前的输电线路通道内的图像数据；利用所述深度学习网络模型对当前的图像数据进行推理，根据推理结果确定当前的输电线路通道内是否存在异常目标。本发明通过对损失函数进行优化来提高目标检测的预测框位置的准确性，从而提升输电线路异常目标检测的精度，降低输电线路异常检测成本。

技术领域

本发明涉及目标检测技术领域，具体地涉及一种基于深度学习的输电线路异常目标检测方法、一种基于深度学习的输电线路异常目标检测系统以及一种存储介质。

背景技术

输电线路是电力系统传输物理媒介，输电线路的安全性至关重要。随着工程建设增多，导致在输电通道内进行机械施工的现象越来越多，大大增加输电线路的安全隐患。而外力破坏是输电线路下最为常见的隐患类型，输电线路下的挖掘机、塔吊、起重机等大型工程车辆极容易因为操作不当等因素对输电线路造成严重破坏。传统的隐患监测手段是通过人工巡检或架设红外传感器、搭建激光雷达等探测装置的方式，例如在杆塔上架设摄像头来监控输电线路周边环境。传统的隐患监测方式需要耗费大量的人力、物力，并且也难以做到全天候实时监控。

目前，基于深度学习的目标检测技术广泛应用，通过采集输电线路通道的图像数据，利用神经网络模型判断图像中是否存在隐患目标，从而实现对输电通道内安全隐患的快速检测，降低输电线路巡检的难度。但是，采集到的输电线路通道的图像均是大场景的野外图像，图像中的施工机械等目标设备在整个图像中占比较小，并且图像的清晰度受光照、天气影响较大，目标设备检测精度较低，严重影响检测的准确性。

发明内容

本发明实施方式的目的是提供一种基于深度学习的输电线路异常目标检测方法及系统，以解决上述的输电线路通道的隐患目标设备检测精度低的问题。

为了实现上述目的，本发明实施方式一方面提供一种基于深度学习的输电线路异常目标检测方法，所述方法包括：

根据预先收集的输电线路通道内的图像数据进行网络模型训练，所述网络模型训练包括：对目标检测算法的损失函数进行优化，利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型；

采集当前的输电线路通道内的图像数据；

利用所述深度学习网络模型对当前的图像数据进行推理，根据推理结果确定当前的输电线路通道内是否存在异常目标。

进一步地，所述对目标检测算法的损失函数进行优化，包括：

定义所述损失函数，所述损失函数的参数包括回归损失、置信度损失及分类损失；

计算目标框与预测框之间的损失值，根据该损失值计算所述回归损失；

计算所述置信度损失及所述分类损失；

根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。

进一步地，所述损失函数的公式为：

；

其中，L_box为回归损失，L_obj为置信度损失，L_cls为分类损失；

；

；

；