[发明专利]一种融合隐含知识推理的输电线路多金具识别方法及系统

说明书

本发明提供一种融合隐含知识推理的输电线路多金具识别方法及系统，属于图像识别技术领域，输电线路多金具识别方法包括：获取待识别金具图像；对待识别金具图像进行特征提取，确定场景特征、多个区域建议框特征及各区域建议框特征的类别；根据场景特征对区域建议框特征进行场景增强，得到场景增强特征；根据区域建议框特征的类别，对区域建议框特征进行空间增强，得到空间增强特征；根据各区域建议框特征，各区域建议框特征对应的场景增强特征及空间增强特征，确定待识别金具图像中的金具位置及金具类型。通过场景增强和空间增强深入挖掘金具间的隐含关系，增强被遮挡金具的视觉特征，提高了金具识别的精准度。

技术领域

本发明涉及图像识别领域，特别是涉及一种融合隐含知识推理的输电线路多金具识别方法及系统。

背景技术

输电线路检测是电力系统安全、不间断、可靠运行的重要保证。在输电线路中，金具是一种应用广泛的电力部件，具有支持、固定、防护和接续线路各个部件及维持线路稳定的作用。输电线路金具的状态监测是输电线路监测中重要且困难的任务。尽早发现金具的缺陷，可以减少电力中断，防止巨大的经济损失和客户对电力传输系统的不良影响。

目前一般采用无人机对输电线路进行巡检，实现更自动化、更高效的巡检。在无人机巡检过程中，会生成大量的金具航拍图像和视频作为摄影记录。为了实现金具的自动检测和智能诊断，关键条件是要从航拍图像中准确检测出金具目标，进行故障诊断、摄像跟踪、数据管理等后续运维管理任务。

为了识别航拍图像中的输电线路部件目标，现有的检测方法通过图像处理来提取航拍图像的颜色、形状和纹理特征，从而区分出电力部件和复杂的背景。但是一般需要手工提取特征，其性能在很大程度上取决于背景的复杂性和图像处理的结果。

随着深度学习的发展，基于CNN(Convolutional Neural Networks，卷积神经网络)的方法逐渐应用到了输电线路部件检测中，并取得了一定的进展。当前基于CNN的目标检测方法可以概括为基于区域建议的方法(两阶段检测器)和基于回归的方法(一阶段检测器)。对于二阶段方法而言,第一阶段通过区域建议生成网络(Region proposal network,RPN)在CNN提取的特征图上生成区域建议；第二阶段对这些区域建议进行分类和边界框回归。一阶段方法则把两阶段整合为一阶段，通过获取输入图像并学习类概率和边界框坐标来使用回归。虽然基于深度学习的目标检测方法受到了广泛的研究，但它们仅关注图像中目标区域建议附近的信息,只是在网络中传播目标的图像视觉特征，忽略了目标之间复杂的拓扑结构信息，因此这些方法的性能受到了一定程度的限制。

因此，金具数据集主要存在两种挑战：1)背景复杂。在金具航拍数据集中，由于金具分布较为广泛，金具目标的背景也是复杂和多样的，金具的分布背景有田野，有树林，有建筑。但更多得到是以杆塔本身为背景，由于金具的材质和杆塔的材质相似，均为铁制金属或铝制金属，在外观颜色上均表现为银灰色，因此在航拍图像中，金具目标更容易隐匿在复杂背景中，难以识别。2)目标密集。由于输电线路承载着输送高电压、超高电压的任务，在输电线路周围会产生强磁场，近距离拍摄会对无人机的通信和导航系统会产生干扰，因此只能远距离拍摄的无人机航拍图像中的金具目标尺寸较小且分布密集，导致图像分析算法容易漏检和错检。

先前的工作中通过在深度学习目标中融合共现和空间外部知识，提出了金具目标检测的新方法，但由于这种方法需要引入大量的外部知识，对原有数据集进行统计和分析得到数据集的特征，因此这种方法仍存在泛化性能不高，易受到训练集中的数据分布的影响，并且存在在统计和分析中需要人工做许多额外的数据预处理工作等问题。

发明内容

本发明的目的是提供一种融合隐含知识推理的输电线路多金具识别方法及系统，可提高金具识别的精度。

为实现上述目的，本发明提供了如下方案：

一种融合隐含知识推理的输电线路多金具识别方法，包括：

获取待识别金具图像；