CN108470140B - 一种基于统计特征与机器学习的输电线路鸟巢识别方法 - Google Patents

Abstract

本发明涉及一种基于统计特征与机器学习的输电线路鸟巢识别方法，包括：依据图像中的输电线路中是否有鸟巢存在进行分类，规定不含鸟巢的图像为正样本，含鸟巢的图像为负样本；将训练集的图像从RGB颜色空间转换为HSV颜色空间；在HSV颜色空间进行分解，得到输电线图像的H、S、V三个通道颜色分量，在H、S、V三个通道上分别提取其统计特征，统计一阶矩到六阶矩，将这些特征组成一个n×18维的数据集，其中n表示样本个数；训练分类器；利用训练好的分类器对待识别输电线图像进行识别，判断是否存在鸟巢。

Description

一种基于统计特征与机器学习的输电线路鸟巢识别方法

技术领域

本发明属于电力技术和计算机视觉领域，涉及一种基于统计特征与机器学习的输电线路 鸟巢识别方法的方法。

背景技术

输电线路是电力网中不可缺少的重要部分。它的主要作用是输送、分配和交换电能。同 时，它还有更重要的一个作用是将几个独立的电网连接起来，形成互联电网或同一电网，从 而提高了电力系统安全供电的可取性。它直接关系到百姓的用电问题，大范围的断电将给社 会经济带来巨大的损失。因此，输电线路的安全性是电力部门高度关注的问题之一。

输电线路大多运行在荒郊野岭，周边环境十分复杂，经常会收到自然界的影响。人类对 于生态环境保护的意识也在不断加强，鸟类的繁衍数量逐渐增多，活动范围逐渐扩大，对输 电线路造成了巨大的危害。同时，由于鸟类的迁徙，也给输电线路鸟害治理范围的确定带来 了较大难度。国家电网公司系统内2015年鸟害引起跳闸119次，占7.4％。鸟类引起的线路 故障仅次于雷电灾害、覆冰舞动和外力破坏，列线路故障总数的第四位。

为了防止鸟类对输电线路的危害，目前采取的措施主要有以下几种：

(1)安放防鸟害装置。防鸟害装置可分为驱鸟技术和留鸟技术。驱鸟技术是采用固定 装置或应用对于鸟类来说危险的信号，使得鸟类不能在电力设备上栖息，达到驱赶鸟的目的， 主要包括防鸟刺、惊鸟牌、防鸟封堵箱、风动驱鸟器、电子驱鸟器、超声波驱鸟器和基于超 级电容驱动的组合式驱鸟器等。留鸟技术是通过提高绝缘或应用遮挡装置，不影响鸟类正常 遮挡栖息，来保证电力设备安全运行，主要包括绝缘防鸟挡板、横担封堵板、大伞裙、防鸟 粪均压环、绝缘防护装置和复合绝缘子保护套等。

但是防鸟害装置本身也有许多问题，比如：防鸟刺会锈蚀和老化，可能降低驱鸟效果； 惊鸟牌在安装初期会起到惊吓鸟的作用，但是经过一段时间后鸟类就会适应，惊鸟牌也就发 挥不出应有的作用了；防鸟害设备的制作本身也会消耗大量的人力物力等等。

(2)人工实地勘察，发现鸟巢之后由工作人员进行排险。但是人工巡检效率低，观察 区域受限，工作量巨大且条件十分艰苦，易受季节气候影响。此外，鸟害故障具有顽固性， 鸟类一旦选择在某个铁塔上筑巢，在一段时间内即便是受到外界较大的干扰也不会轻易地离 开。往往工作人员刚刚把杆塔上的鸟巢清除掉，等工作人员离开鸟类又回来筑巢，而且搭建 的鸟巢比先前的还要紧密、结实。

近年来，随着自动控制、GPS导航、无线通信和计算机视技术的不断发展，无人机的使用已从军事领域拓展到民用领域，如地球物理探测、灾情监测、农作物监测。利用无人机航空拍摄能够高效完成电力巡查任务。利用无人机来替代人力进行输电线路巡检操作之后将 无人机采集来的图像传送至监测中心，完成对输电线路的巡视或实时监测。与传统的人工巡 检方法相比,无人机巡检的方法具有简单、准确、实时、经济等特点。

但是上述系统需要工作人员长期监视，受人为因素影响较大，长时间的工作势必会导致 工作人员很难长时间集中注意力，并且工作效率下降；此外，如果对这些数据采用工作人员 主观判断的话，极易误判或漏判，难以准确发现输电设备的安全隐患，且大大增加了检修成 本，不能满足智能电网建设的需要。

发明内容

为克服上述现有技术存在的缺陷，本发明提供一种输电线路鸟巢快速且准确的识别方 法。本发明在输电线路巡视系统的基础上，采用图像统计特征和机器学习中的支持向量机 (SVM)算法对图像分类，将正常的图像和有鸟巢的图像分开，更快的定位和发现问题，满足 智能电网建设的需要。技术方案如下：

一种基于统计特征与机器学习的输电线路鸟巢识别方法，包括下列步骤：

1)将巡检后得到的输电线图像收集起来，依据图像中的输电线路中是否有鸟巢存在进 行分类，并分为训练集和测试集，规定不含鸟巢的图像为正样本，含鸟巢的图像为负样本。 训练集内正样本和负样本各半；对所有图像进行预处理，采用双三次内插方法使各个图像缩 放到统一尺寸；

2)将训练集的图像从RGB颜色空间转换为HSV颜色空间。

3)对步骤2得到的输电线图像在HSV颜色空间进行分解，得到输电线图像的H、S、 V三个通道颜色分量，在H、S、V三个通道上分别提取其统计特征，统计一阶矩到六阶矩， 将这些特征组成一个n×18维的数据集，其中n表示样本个数；

4)对步骤3中的数据集进行归一化处理；

5)利用归一化处理后的数据组成分类器的训练集，并制作符合SVM格式的标签文件， 将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为-1；

6)选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K 折交叉验证的准确率来寻找最佳的c和g的值；

7)利用训练好的分类器对待识别输电线图像进行识别，判断是否存在鸟巢。

本发明根据鸟巢对于图像统计特征的影响，利用图像统计特征和机器学习算法，通过训 练输电线路鸟巢分类模型，能够及时地分辨出图像中是否有鸟巢，为工作人员清理鸟巢提供 基础，以减少因为鸟害引起的接地或跳闸事故。

附图说明

图1本发明流程图

图2正负样本图

图3HSV图像分解(a)原图 (b)H通道 (c)S通道 (d)V通道

图4标签文件

图5参数寻优结果图

具体实施方式

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描 述。实施方案流程图如图1所示。

1.训练鸟巢图像分类器模型，其具体步骤如下：

1)将巡检后得到的输电线图像收集起来，依据图像中的输电线路中是否有鸟巢存在进 行分类，并按照一定的数量比例分为训练集和测试集。规定不含鸟巢的图像(即正常图像) 为正样本，含鸟巢的图像为负样本，如图2所示。对所有图像进行预处理，统一将图像缩放 为600×400，缩放方式选择双三次内插，双三次内插包括16个最近邻点。赋予点的像素值 是使用以下公式得到的：

其中，16个系数可由16个用(x,y)点最近邻点写出的未知方程确定。

2)将训练集的图像从RGB空间转换为HSV空间，从RGB颜色空间到HSV颜色空间 的转换公式如下所示：

v＝max

其中，r,g,b分别表示图像上某一点的红色分量、绿色分量和蓝色分量的归一化像素值， 即它们的值是在0到1之间的实数。max表示r、g、b中的最大值，min表示r、g、b中的 最小值。h、s、v分别表示转换为HSV空间后对应颜色通道的像素值，转换后的每个通道 的图像如图3所示。

3)对步骤2的输电线图像在HSV颜色空间进行分解，得到输电线图像的H、S、V三 个通道颜色分量。在H、S、V三个通道上分别提取其统计特征，在本专利中使用的是一阶 矩到六阶矩，公式如下所示：

一阶矩(均值)：

二阶矩(方差)：

三阶矩(偏度)：

四阶矩(峰度)：

五阶矩：

六阶矩：

其中，H和W分别表示图像的宽和高，f(i,j)表示图像中某一点的的像素值。将这些特 征组成一个n×18维的数据集，其中n表示样本个数。

4)对步骤3中的数据集进行归一化处理，归一化的方式有两种，公式如下所示：

前者的作用是原始数据被规整到[0,1]范围内，即y_i∈[0,1]，y＝1,2……,n。后者的作用是 原始数据被规整到[-1,1]范围内，即y_i∈[-1,1]，y＝1,2……,n。经过实验，本专利中选择的是 前一种归一化方法。

5)提取步骤4中所得的训练集的6个特征值组成分类器的训练集，并制作符合SVM格式的标签文件，如图4所示。将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为-1。

6)选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型。在SVM的训练过程中， 让c和g在一定的范围内取值，寻找使得测试集分类结果最好的c和g。在本专利中，令c 的取值范围是[2^-10,2¹⁰]，步长为0.1；g的取值范围是[2^-10,2¹⁰]，步长为0.1。寻优结果如图5 所示。在图5中，x轴表示c取以2为底的对数后的值，y轴表示g取以2为底的对数后的 值，等高线表示取相应的c和g后对应的K折交叉验证的准确率。通过图5可以看出，c的 范围可以缩小到2^-2～2⁴，g的范围可以缩小到2^-2～2⁴，在这个范围内做更精细的参数选择。 经过寻优，c和g的取值分别为c＝0.5，g＝1，核函数选择RBF核可以取得最好的效果。

2.利用第一步中训练好的分类器对测试集图像进行预测，得到最后的分类结果。

1)对待识别的输电线图像进行预处理，图像尺寸大小统一缩放为600×400，缩放方式 选择双三次内插，并将图像转换为HSV图像。

2)得到的图像在HSV颜色空间进行分解，得到H、S、V三个通道的颜色分量。

3)在H、S、V通道上分别提取一阶矩到六阶矩，生成特征向量。

4)将特征向量用第一步训练好的分类器模型进行预测，根据分类器预测结果输出图像 中是否有鸟巢，若分类结果为1，则表明图像中没有鸟巢，一切正常；若分类结果为-1，则 表明图像中有鸟巢，应当立即定位并抢修。

Claims (1)

1.一种基于统计特征与机器学习的输电线路鸟巢识别方法，包括下列步骤：

1)将巡检后得到的输电线图像收集起来，依据图像中的输电线路中是否有鸟巢存在进行分类，并分为训练集和测试集，规定不含鸟巢的图像为正样本，含鸟巢的图像为负样本；训练集内正样本和负样本各半；对所有图像进行预处理，采用双三次内插方法使各个图像缩放到统一尺寸；

2)将训练集的图像从RGB颜色空间转换为HSV颜色空间；

3)对步骤2) 得到的输电线图像在HSV颜色空间进行分解，得到输电线图像的H、S、V三个通道颜色分量，在H、S、V三个通道上分别提取其统计特征，统计一阶矩到六阶矩，将这些特征组成一个n×18维的数据集，其中n表示样本个数；

4)对步骤3) 中的数据集进行归一化处理；

5)利用归一化处理后的数据组成分类器的训练集，并制作符合SVM格式的标签文件，将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为-1；

6)选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，利用步骤5) 得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值；

7)利用训练好的分类器对待识别输电线图像进行识别，判断是否存在鸟巢。

Images