[发明专利]一种输电通道外破隐患识别方法、装置及存储介质

权利要求书

1.一种输电通道外破隐患识别方法，包括：

通过视频监控装置采集输电通道图像；

将输电通道图像输入预部署的目标检测模型中进行输电通道外破隐患识别；其特征在于，所述目标检测模型的部署过程包括：

构建输电通道外破隐患的目标检测模型；

获取输电通道图像并添加标注信息构建训练样本集；

将训练样本集划分为训练集和测试集；

将训练集输入目标检测模型中进行训练；

将测试集输入训练后的目标检测模型进行通道剪枝；

将训练集再次输入通道剪枝后的目标检测模型进行训练；

对再次训练后的目标检测模型进行模型量化；

将模型量化后的目标检测模型部署至输电通道的视频监控装置中。

2.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述标注信息包括位置坐标和目标类型，所述目标类型包括塔吊、挖掘机、吊车和鸟巢。

3.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述目标检测模型利用TensorFlow框架并基于mobileNetV3神经网络构建。

4.根据权利要求3所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述将训练集输入目标检测模型中进行训练包括：

利用mobileNetV3神经网络对训练集中的训练样本进行特征提取获取高维视觉特征；

通过FPN网络将高维视觉特征横向连接进行特征融合并在相应尺度特征图上产生候选框；

通过FCN子网络对候选框进行选择分类与回归获取候选框的预测信息；

通过非极大值抑制方式对候选框的预测信息进行筛选处理；

通过标注信息和每轮筛选处理后的预测信息计算模型损失，并根据模型损失优化模型参数，直至模型参数收敛。

5.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述将测试集输入训练后的目标检测模型进行通道剪枝包括：

将训练后的目标检测模型作为基准模型，按照随机剪枝比率进行通道剪枝生成模型样本；

将测试集输入模型样本和基准模型并根据模型样本和基准模型的输出计算重构误差：

Q＝N·n·h_out·Z_out·W

式中，N、n分别为训练样本数量和卷积核数量，h_out、Z_out分别为通道的长和宽，W为卷积核，o_i,j,:,:分别为基准模型和模型样本的第i个训练样本的第j个卷积核的输出；

取重构误差最小的模型样本作为通道剪枝后的目标检测模型。

6.根据权利要求1所述的一种轻量化输电通道外破隐患识别方法，其特征在于，所述对再次训练后的目标检测模型进行模型量化包括：

在进行模型计算前，将待模型计算的数据变量组由32位浮点型转变为8位整型：

式中，x为32位浮点型数据变量，q为8位整型数据变量，max、min分别为数据变量组中的最大值和最小值；

在模型计算后，将计算结果由8位整型转变为32位浮点型：

式中，q′为8位整型计算结果，x′为32位浮点型计算结果，max′、min′分别为计算结果中的最大值和最小值；

其中，所述模型计算包括卷积、池化或激活函数计算。