[发明专利]一种从局部到整体感知的电网场景预警分类方法及系统

说明书

本发明公开了一种从局部到整体感知的电网场景预警分类方法及系统，所述方法包括以下步骤：将电网场景图片输入训练好的分类模型，通过训练好的分类模型获得电网场景图片预警分类结果；训练好的分类模型的获取步骤包括：通过第一骨干网络模型和局部分类器，构建局部像素块分类模型；通过局部像素块训练集训练局部像素块分类模型，获得训练好的局部像素块分类模型；通过第二骨干网络模型、特征集成模块和全局分类器，构建获得分类模型；第二骨干网络模型加载有第一骨干网络模型的训练权重参数；通过标注的电网场景图片训练集对分类模型进行训练，获得训练好的分类模型。本发明能够解决电网场景预警分类中模型分类精度不能满足需求的技术问题。

技术领域

本发明属于图像分类技术领域，涉及电网场景预警分类领域，特别涉及一种从局部到整体感知的电网场景预警分类方法及系统。

背景技术

近年来，以人工智能、智能视频监控、物联网和边缘计算技术为支撑的智能电网技术快速发展；其中，在图像分类、目标检测和视频监控领域中基于计算机视觉的检查方法激增，包括电力输电线的检查、电网入侵对象检测等等，极大地促进了电网的智能化发展。根据电网的不同工作环境，视觉传感器(包括安装在电网铁塔上的摄像机，攀爬机器人，无人机等)被广泛使用，它们可以提供电网监控在不同应用场景下的不同视角。尽管视觉传感器可以极大地促进电网设施的日常维护，但是由于采集到大量的数据，人工检查异物入侵和恶意破坏的工作量也显著增加。因此，为实现电网基础设施的实时预警和监视，开发基于视觉的风险级别分类模型至关重要。

基于视觉的预警分类可以表述为图像级的分类问题。给定监视摄像机捕获的输入图像，预警分类模型的任务是用置信度得分预测预警的级别。基于CNN的分类模型(包括VGGNet、ResNet等)被用于对自然场景的图像进行分类，用于训练的输入图像的分辨率相对较低(例如224×224)。大多数图像仅包含一个用于分类的对象；而且，主要物体通常位于图像的中间并且占据较大的面积。

在电网监视环境下，为预警分类收集的图像具有以下不同的特点，包括：

(1)高分辨率图像下的高风险小物体：通常，监视摄像机捕获的图像具有相对较高的分辨率(例如1200×900)。为了覆盖较大的监视区域，摄像机位于电网基础设施的较高位置。由于摄像机和物体之间的距离太长，导致高风险物体以较小的尺寸出现在电网中。为了将图像直接馈送到CNN模型中进行通常的图像分类，通常会将输入图像的大小调整为较小的分辨率(例如224×224)。因此，通过直接采用基于CNN的分类模型来感知具有高风险的小物体变得具有挑战性。

(2)应用场景多样：电网设施位于各种不同的场景中，包括城市，农村，荒野等。此外，由于季节和天气变化，一天中的不同拍摄时间等变化因素，图像场景的多样性使得很难将收集到的图像分类为特定级别的预警。此外，输入图像的重新缩放操作进一步对预警等级分类提出了挑战。

(3)局部信息的重要性：在预警级别的标注过程中，专家通常会更加注意图像中的高风险对象或局部区域。具体而言，局部关系(例如，高风险对象与电网设施之间是否存在接触)是确定预警级别的关键。但是，将输入图像从高分辨率缩小到小尺寸会破坏局部信息。此外，它在训练过程中会使模型无所适从，因为模型很难识别“用于预测预警级别的局部详细信息”。

上述图像数据特征使得直接采用在自然场景图像上训练的分类模型进行预警级别分类是复杂且具有挑战性的，其分类的准确性、可靠性不能满足需求。

发明内容

本发明的目的在于提供一种从局部到整体感知的电网场景预警分类方法及系统，以解决上述存在的一个或多个技术问题。本发明能够解决电网场景预警分类中模型分类精度不能满足需求的技术问题。

为达到上述目的，本发明采用以下技术方案：

本发明公开的一种从局部到整体感知的电网场景预警分类方法，包括以下步骤：