CN110717490A - 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 - Google Patents
一种输电线路杆塔鸟巢识别方法及其系统、存储介质 Download PDFInfo
- Publication number
- CN110717490A CN110717490A CN201910938777.5A CN201910938777A CN110717490A CN 110717490 A CN110717490 A CN 110717490A CN 201910938777 A CN201910938777 A CN 201910938777A CN 110717490 A CN110717490 A CN 110717490A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- bird nest
- current power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种输电线路杆塔鸟巢识别方法及其系统、存储介质,所述方法包括:实时获取当前输电线图像;对所述当前输电线图像进行卷积处理得到特征图;对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。实施本发明,能够减少输电线路故障,提高电力运输的稳定性和可靠性。
Description
技术领域
本发明输电线路杆塔鸟巢识别技术领域,特别涉及一种输电线路杆塔鸟巢识别方法及其系统、存储介质。
背景技术
输电线在电力系统中有着非常重要的作用,与人们的生活密不可分,如果出现大规模断电情况会给大众造成不可估量的损失。而鸟巢的自然活动经常干扰到输电线的正常工作,如鸟巢在输电线杆塔上筑巢容易造成输电线发生短路事故,输电线杆塔上的瓷瓶容易受到鸟巢排出的粪便污染,由此造成绝缘强度降低,造成输电线短路的同时电力系统也出现故障。
发明内容
本发明旨在提出一种输电线路杆塔鸟巢识别方法及其系统、存储介质,以减少输电线路故障,提高电力运输的稳定性和可靠性。
第一方面,本发明实施例提出一种输电线路杆塔鸟巢识别方法,包括:
实时获取当前输电线图像;
对所述当前输电线图像进行卷积处理得到特征图;
对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
其中,所述对所述当前输电线图像进行卷积处理得到特征图包括:
利用卷积神经网络对所述输电线图像进行卷积处理得到卷积图像,并根据每一像素点的梯度信息描述所述卷积图像的图像特征。
其中,所述对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像包括:
利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
利用目标检测网络对每一候选区域进行鸟巢目标检测。
其中,所述对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像包括:
若一输电线图像存在鸟巢,则进一步识别鸟巢在输电线图像中的位置。
其中,所述卷积神经网络为ZF-NET神经网络;
其中,所述根据每一像素点的梯度信息描述所述卷积图像的图像特征包括:
步骤S11、对所述卷积图像进行灰度处理得到灰度图像;
步骤S12、根据公式G(x,y)=P(x,y)λ对所述灰度图像进行校正得到校正图像;其中,λ为预设常数,P(x,y)为灰度图像上某一点的像素值;
步骤S13、根据以下公式对所述校正图像进行梯度计算得到每一像素点的梯度信息;
Rx(x,y)=P(x+1,y)-P(x-1,y)
Ry(x,y)=P(x,y+1)-P(x,y-1)
公式中,Rx(x,y)为在校正图像中像素点(x,y)处的水平方向梯度,Ry(x,y)为垂直方向梯度,R(x,y)为梯度幅值,θ(x,y)为梯度方向;
步骤S14、将所述校正图像分割为多个细胞单元,利用m个块的直方图统计每个细胞单元的梯度信息,对不同方向的梯度的幅值进行统计,使得每个细胞单元与不同的m维特征描述向量相对应;
步骤S15、将多个细胞单元的梯度方向直方图整合成一个区域块,并对区域块进行归一化处理,统一梯度幅值,之后用所有的梯度直方图组成一个向量来描述所述卷积图像的图像特征。
其中,所述利用目标检测网络对每一候选区域进行鸟巢目标检测包括:
步骤S21、利用滑动窗口在候选区域上进行滑动,通过滑动窗口经过的每个位置上的锚点生成候选框;
步骤S22、根据以下公式对所述候选框进行修正得出检测窗口;
其中,xc、yc、hc、wc分别为候选框的中心横坐标、中心纵坐标、高度和宽度,jx、jy、jh、jw分别为预设的修正参数,x、y、h、w分别为检测窗口的中心横坐标、中心纵坐标、高度和宽度。
其中,所述若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别包括:
对于存在检测窗口的图像,再次提取图像特征,并利用预设分类器对图像特征进行分类识别,确定图像是否存在鸟巢。
第二方面,本发明实施例提出一种输电线路杆塔鸟巢识别系统,用于实现实施例所述的输电线路杆塔鸟巢识别方法,包括:
图像获取单元,用于实时获取输电线图像;
特征提取单元,用于对所述当前输电线图像进行卷积处理得到特征图;
鸟巢识别单元,用于对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
其中,所述鸟巢识别单元包括:
区域生成单元,用于利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
目标检测单元,用于利用目标检测网络对每一候选区域进行鸟巢目标检测。
第三方面,本发明实施例提出一种计算机可读存储介质,包括:计算机可执行指令,当所述计算机可执行指令被运行时用以执行所述输电线路杆塔鸟巢识别方法。
本发明实施例提出一种输电线路杆塔鸟巢识别方法及其系统、计算机可读存储介质,实时监控输电线杆塔附近鸟巢出现情况,获取输电线杆塔图像,并对该输电线杆塔图像进行图像识别,判断图像中是否出现鸟巢,以便于工作人员能够及时获知输电线杆塔环境情况,及时对鸟巢进行处理,避免鸟巢干扰到输电线的正常工作,提高电力系统运行稳定性和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一所述一种输电线路杆塔鸟巢识别方法流程示意图。
图2为本发明实施例一中Faster R-CNN网络结构示意图。
图3为本发明实施例一中ZF-NET神经网络结构示意图。
图4为本发明实施例一中区域块结构示意图。
图5为本发明实施例一中区域生成网络结构示意图。
图6为本发明实施例一中区域生成网络生成候选区域示意图。
图7为本发明实施例一中输电线路杆塔鸟巢识别方法具体流程示意图。
图8为本发明实施例二所述一种输电线路杆塔鸟巢识别系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构,而省略了与本发明关系不大的其他细节。
实施例一
本发明实施例一提出一种输电线路杆塔鸟巢识别方法,其可以应用于本发明实施例二的一种输电线路杆塔鸟巢识别系统。所述系统包括图像获取单元、特征提取单元、鸟巢识别单元,所述鸟巢识别单元包括区域生成单元、目标检测单元。其中,所述图像获取单元、特征提取单元、鸟巢识别单元可以集成为一个装置,例如控制器来实现。所述系统可以或者其他方式进行供电,可以安装在电线杆,或者电线塔上,进行驱赶鸟巢。
需说明的是,实施例二所述装置只是实现实施例一所述方法的一种载体,实施例一所述方法的实现并不限于实施例二所述系统一种形式。
下面结合实施例二所述系统对实施例一所述方法进行举例描述。图1为实施例一方法的流程示意图,参阅图1,实施例一方法包括如下步骤S101-S103:
步骤S101、实时获取输电线图像;
具体而言,可以在输电线杆塔上设置一摄像头,利用摄像头实时拍摄输电线图像,并将输电线图像发送给图像获取单元。优选地,所述摄像头可以实现360度视角拍摄输电线附近的图像,针对有画面移动的物体并且图像在以往的拍摄图片中未曾出现的画面,进行截取并发送给图像获取单元。
步骤S102、对所述当前输电线图像进行卷积处理得到特征图;
步骤S103、对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
具体而言,步骤中可以采用预先训练好的神经网络对输电线图像提取图像特征,根据图像特征进行目标检测和鸟巢识别,此处,重点根据鸟巢形状的进行鸟巢识别。需说明的是,神经网络在目标检测识别方面应用广泛,步骤中可以根据实际技术需求选择合适的神经网络,例如图2所示的Faster R-CNN网络等,因此本实施例中对图像识别方式不进行具体限定。
需说明的是,本实施例中提出先进行疑似目标检测,当出现疑似目标时,即经目标检测生成对应的检测窗口时,再进行重新进行特征提取和鸟巢识别,避免对每帧图像都进行鸟巢识别,节省计算资源,提高效率。
其中,所述步骤S102具体包括:
利用卷积神经网络对所述输电线图像进行卷积处理得到卷积图像,并根据每一像素点的梯度信息描述所述卷积图像的图像特征。
其中,所述步骤S103具体包括:
步骤S201、利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
步骤S202、利用目标检测网络对每一候选区域进行鸟巢目标检测。
其中,所述步骤S103具体还包括:
若一输电线图像存在鸟巢,则进一步识别鸟巢在输电线图像中的位置。
具体而言,鸟巢在输电线图像中的位置可以根据目标检测网络的检测结果来确定,目标检测网络检测图像能够得到对应的检测框,并生成检测框的位置参数,即检测框的尺寸及中心点在图像中的坐标。
其中,所述卷积神经网络为ZF-NET神经网络,其网络结构如图3所示。图3中,conv1至conv5代表卷积层,ReLU代表激活层,LRN代表局部相应归一化层,Pooling代表池化层。关于各层的具体参数如表1所示。
表1特征提取网络的网络参数
在ZF-NET中,使用ReLU函数作为激活函数,其数学表达式如下所示:
f(α)=max(0,α)
其中,ReLU函数特征提取过程中计算量较少,并且将其作为激活函数,会对一部分神经元产生影响,使得神经网络稀疏性增强,加快神经网络收敛速度,减少了参数之间的依赖关系。
利用ZF-NET特征提取网络进行特征提取,包括对原始图像进行卷积得到卷积图像,然后对卷积图像计算输电线杆塔图像像素点的边缘梯度信息,而统计分析每个像素点的边缘梯度信息通过方向梯度直方图来实现,鸟巢图像的特征也是通过综合各个方向的梯度直方图来进行描述的。
其中,所述根据每一像素点的梯度信息描述所述卷积图像的图像特征包括:
步骤S301、对所述卷积图像进行灰度处理得到灰度图像;
步骤S302、根据公式G(x,y)=P(x,y)λ对所述灰度图像进行校正得到校正图像;其中,λ为预设常数,P(x,y)为灰度图像上某一点的像素值;
步骤S303、根据以下公式对所述校正图像进行梯度计算得到每一像素点的梯度信息;
Rx(x,y)=P(x+1,y)-P(x-1,y)
Ry(x,y)=P(x,y+1)-P(x,y-1)
公式中,Rx(x,y)为在校正图像中像素点(x,y)处的水平方向梯度,Ry(x,y)为垂直方向梯度,R(x,y)为梯度幅值,θ(x,y)为梯度方向;
步骤S304、将所述校正图像分割为多个细胞单元,利用m个块的直方图统计每个细胞单元的梯度信息,对不同方向的梯度的幅值进行统计,使得每个细胞单元与不同的m维特征描述向量相对应;
步骤S305、将多个细胞单元的梯度方向直方图整合成一个区域块,并对区域块进行归一化处理,统一梯度幅值,之后用所有的梯度直方图组成一个向量来描述所述卷积图像的图像特征。
具体而言,假设给定待测图像P后,对其进行灰度化操作,将待测图像看作灰度图像,为了防止噪声干扰以及待测图像中的部分阴影和光照变化造成的影响,调整整个待测图像的对比度,并进行校正。因待测图像中的纹理强度,存在部分表面曝光较大,对其进行校正可以有效的减小待测图像的阴影和光照变化造成的影响。
对图像进行校正后,需要计算每个像素点的梯度方向值,需要通过对待测图像上不同方向的梯度进行计算,为了进一步弱化造成的干扰,方便提取检测目标的纹理信息和轮廓信息,对其进行求导操作,即步骤S303。
获得梯度信息后,将待测图像分割为n个细胞单元,一个细胞单元包括多个像素点,利用m个块的直方图统计每个细胞单元的梯度信息,对不同方向的梯度的幅值进行统计,使每个细胞单元与不同的m维特征描述向量相对应。
由于图像中的前景和背景对比度会因为光照产生变化,所以需要对待测图像的梯度幅值进行归一化处理,以达到对图像阴影、边缘和阴影的压缩的目的。首先将多个细胞单元的梯度直方图整合成一个区域块,如图4所示。对区域块进行归一化处理,使梯度幅值统一,之后用所有的梯度直方图组成一个向量,利用该向量实现对待测图像特征的描述。通过对区域块内的梯度幅值归一化处理,完成对检测目标的描述,并输出特征图,以便生成候选区域。
其中,所述步骤202中,为了减轻后续检测窗口的压力,使其能够在选取少量窗口的情况下,依然能够保持较高的检测精度,利用提取的特征生成候选区域,具体根据所述图像特征所对应的特征值生成对应尺度的候选区域。
其中,区域生成网络结构如图5所示,生成候选区域如图6所示。
其中选用ZF-NET作为特征提取网络时,候选区域生成网络中各层的具体参数如表2所示。
表2候选区域生成网络的网络参数
其中,所述利用目标检测网络对每一候选区域进行鸟巢目标检测包括:
步骤S401、利用滑动窗口在候选区域上进行滑动,通过滑动窗口经过的每个位置上的锚点生成候选框;
步骤S402、根据以下公式对所述候选框进行修正得出检测窗口;
其中,xc、yc、hc、wc分别为候选框的中心横坐标、中心纵坐标、高度和宽度,jx、jy、jh、jw分别为预设的修正参数,x、y、h、w分别为检测窗口的中心横坐标、中心纵坐标、高度和宽度;
所述步骤S103具体还包括:
对于存在检测窗口的图像,再次提取图像特征,并利用预设分类器对图像特征进行分类识别,确定图像是否存在鸟巢。
具体而言,本实施例中识别训练过程如下:
构建分类器,假设存在某个鸟巢图像训练样本集{(ai,bi)|i=1,2,…,n},ai∈A,bi∈B,其中A表示样本空间,B表示样本标签,并且B={1,-1},bi=1对应正样本,bi=-1对应负样本。首先进行初始化,初始阶段每个训练样本的阈值相等,均为公式如下所示:
公式中K1和z1i的下角标中的1表示第一轮训练,i表示对应第i个训练样本。初始化之后进行S轮迭代训练,使用带有阈值的图片样本数据进行训练,获得弱分类器,公式如下:
Qm(x):X→{1,-1}
公式中x表示正负样本集,Qm(x)表示弱分类器。计算Qm(x)在训练样本集上的分类误差,公式如下所示:
由上述公式可知Qm(x)在训练样本集上的分类误差与被Qm(x)分裂错误的样本阈值之和相等。计算表示Qm(x)在最终的强分类器中的重要程度的系数,如公式11所示:
由上述公式可知,分类误差越小,说明该弱分类器在强分类器中的位置越重要。利用公式对训练样本的阈值进行更新,公式如下:
Km+1=(zm+1,1,zm+1,2,…,zm+1,i,…zm+1,n),
将通过上述公式获得的各个弱分类器组合成强分类器,进而获得最终的强分类器,公式如下所示:
获得强分类器后,对原始图像数据集进行检测与识别,并根据有无鸟巢位置进行分类。
需说明的是,分类的目的是对算法进行训练是,确保算法的准确性,如果分类弱,有可能会发现很多不是鸟巢的图片,如果太强,又会导致很多鸟巢被漏发现,这里是找一个平衡,然后得到系数。接下来将通过上述公式获得的各个弱分类器组合成强分类器,进而获得最终的强分类器。分类器可以作为后面的图像识别的有无鸟巢位置进行分类。因为实际采集中,还是有大量的图片是没有鸟巢的。
在一实施例中,如图7所示,对原始待测图像进行检测,检测图像中是否存在鸟巢,通过对鸟巢图像进行系列卷积运算,得到鸟巢特征图;根据生成的特征图生成可能包含鸟巢的大量候选区域框;计算检测窗口,通过检测窗口完成对待测图像的检测。对于存在检测窗口的图像,在检测完成后对其再次进行特征提取,并利用构建的所述强分类器进行分类,在检测出含有鸟巢的图像基础上,识别图像中鸟巢的空间位置。
因此,本实施例在鸟巢检测与识别流程中,进行了两次特征提取,说明特征提取在鸟巢检测与识别中占有重要位置。而利用深度学习中的Faster R-CNN算法对鸟巢的检测与识别,依靠的是深度学习带来的强大特征提取的能力,可将低层次特征抽象为高层次特征,使其即使在复杂的环境下也能够高效率的完成目标的检测与识别。
实施例二
本发明实施例二提出一种输电线路杆塔鸟巢识别系统,用于实现实施例一所述的输电线路杆塔鸟巢识别方法,包括:
图像获取单元1,用于实时获取输电线图像;
特征提取单元2,用于对所述当前输电线图像进行卷积处理得到特征图;
鸟巢识别单元3,用于对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
其中,所述鸟巢识别单元3包括:
区域生成单元31,用于利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
目标检测单元32,用于利用目标检测网络对每一候选区域进行鸟巢目标检测。
其中,包括摄像头,所述摄像头安装于电线杆上,用于实时拍摄输电线图像并发送给所述图像获取单元。
需说明的是,本实施例二所述装置与实施例一所述方法对应,因此,本实施例二所述装置未详述的部分可以参阅实施例一所述方法部分得到,此处不再赘述。
实施例三
本发明实施例三提出一种计算机可读存储介质,包括:计算机可执行指令,当所述计算机可执行指令被运行时用以执行实施例一所述输电线路杆塔鸟巢识别方法。
需说明的是,基于本文内容,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)实现本发明各个实施例所述的方法/系统。
通过以上实施例的描述可知,本发明实施例通过对鸟巢的图像识别的方式实时监测环境中是否出现鸟巢,以便工作人员及时对鸟巢进行处理。方法简单可以行,效果显著,可以大大降低电网线路或者电线杆,由于鸟巢导致电线短路等事故,由于可以24小时运作,并且系统独立,不依赖其他基础设施,所以安装方法,大大提高输电网的安全。
以上所述仅是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种输电线路杆塔鸟巢识别方法,其特征在于,包括如下步骤:
实时获取当前输电线图像;
对所述当前输电线图像进行卷积处理得到特征图;
对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
2.如权利要求1所述的输电线路杆塔鸟巢识别方法,其特征在于,所述对所述当前输电线图像进行卷积处理得到特征图包括:
利用卷积神经网络对所述输电线图像进行卷积处理得到卷积图像,并根据每一像素点的梯度信息描述所述卷积图像的图像特征。
3.如权利要求1所述的输电线路杆塔鸟巢识别方法,其特征在于,所述对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像包括:
利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
利用目标检测网络对每一候选区域进行鸟巢目标检测。
4.如权利要求1所述的输电线路杆塔鸟巢识别方法,其特征在于,所述对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像包括:
若一输电线图像存在鸟巢,则进一步识别鸟巢在输电线图像中的位置。
5.如权利要求2所述的输电线路杆塔鸟巢识别方法,其特征在于,所述卷积神经网络为ZF-NET神经网络;
其中,所述根据每一像素点的梯度信息描述所述卷积图像的图像特征包括:
步骤S11、对所述卷积图像进行灰度处理得到灰度图像;
步骤S12、根据公式G(x,y)=P(x,y)λ对所述灰度图像进行校正得到校正图像;其中,λ为预设常数,P(x,y)为灰度图像上某一点的像素值;
步骤S13、根据以下公式对所述校正图像进行梯度计算得到每一像素点的梯度信息;
Rx(x,y)=P(x+1,y)-P(x-1,y)
Ry(x,y)=P(x,y+1)-P(x,y-1)
公式中,Rx(x,y)为在校正图像中像素点(x,y)处的水平方向梯度,Ry(x,y)为垂直方向梯度,R(x,y)为梯度幅值,θ(x,y)为梯度方向;
步骤S14、将所述校正图像分割为多个细胞单元,利用m个块的直方图统计每个细胞单元的梯度信息,对不同方向的梯度的幅值进行统计,使得每个细胞单元与不同的m维特征描述向量相对应;
步骤S15、将多个细胞单元的梯度方向直方图整合成一个区域块,并对区域块进行归一化处理,统一梯度幅值,之后用所有的梯度直方图组成一个向量来描述所述卷积图像的图像特征。
7.如权利要求3所述的输电线路杆塔鸟巢识别方法,其特征在于,所述若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别包括:
对于存在检测窗口的图像,再次提取图像特征,并利用预设分类器对图像特征进行分类识别,确定图像是否存在鸟巢。
8.一种输电线路杆塔鸟巢识别系统,用于实现权利要求1-7任一项所述的输电线路杆塔鸟巢识别方法,其特征在于,包括:
图像获取单元,用于实时获取输电线图像;
特征提取单元,用于对所述当前输电线图像进行卷积处理得到特征图;
鸟巢识别单元,用于对所述特征图进行目标检测,并根据检测结果进行鸟巢识别或丢弃当前输电线图像;其中,若当前输电线路图像经检测后生成检测框,则进一步对当前输电线路图像进行鸟巢识别,若当前输电线路图像经检测后没有生成检测框,则丢弃当前输电线图像。
9.如权利要求8所述的输电线路杆塔鸟巢识别系统,其特征在于,所述鸟巢识别单元包括:
区域生成单元,用于利用区域生成网络根据所述图像特征生成对应不同尺度的多个候选区域;
目标检测单元,用于利用目标检测网络对每一候选区域进行鸟巢目标检测。
10.一种计算机可读存储介质,其特征在于,包括:计算机可执行指令,当所述计算机可执行指令被运行时用以执行如权利要求1-7任一项所述的输电线路杆塔鸟巢识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938777.5A CN110717490A (zh) | 2019-09-30 | 2019-09-30 | 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938777.5A CN110717490A (zh) | 2019-09-30 | 2019-09-30 | 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717490A true CN110717490A (zh) | 2020-01-21 |
Family
ID=69211256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938777.5A Pending CN110717490A (zh) | 2019-09-30 | 2019-09-30 | 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717490A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860488A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971152A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 一种基于航拍图像的检测输电线路中鸟巢的方法 |
US20180181826A1 (en) * | 2016-12-27 | 2018-06-28 | Datalogic Usa, Inc. | Robust String Text Detection for Industrial Optical Character Recognition |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN110175538A (zh) * | 2019-05-10 | 2019-08-27 | 国网福建省电力有限公司龙岩供电公司 | 一种基于机器学习的变电站鸟巢识别方法及系统 |
-
2019
- 2019-09-30 CN CN201910938777.5A patent/CN110717490A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180181826A1 (en) * | 2016-12-27 | 2018-06-28 | Datalogic Usa, Inc. | Robust String Text Detection for Industrial Optical Character Recognition |
CN106971152A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 一种基于航拍图像的检测输电线路中鸟巢的方法 |
CN108537154A (zh) * | 2018-03-28 | 2018-09-14 | 天津大学 | 基于hog特征和机器学习的输电线路鸟巢识别方法 |
CN109190545A (zh) * | 2018-08-27 | 2019-01-11 | 国网天津市电力公司 | 输电线路中的鸟巢自动识别系统及其方法和应用 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN110175538A (zh) * | 2019-05-10 | 2019-08-27 | 国网福建省电力有限公司龙岩供电公司 | 一种基于机器学习的变电站鸟巢识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨映波 等: "基于卷积神经网络预处理的Hog特征车辆检测算法", 《现代计算机》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860488A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司 | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN109753929B (zh) | 一种高铁绝缘子巡检图像识别方法 | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
US20210042929A1 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CN108846826B (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN110679586B (zh) | 一种输电网鸟类驱赶方法及其系统、计算机可读存储介质 | |
CN112560634B (zh) | 基于现场图像的电力线路绝缘子快速检测定位方法及系统 | |
CN110659550A (zh) | 交通标志牌识别方法、装置、计算机设备和存储介质 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN105701835A (zh) | 面向电力设施的图像边缘检测方法及系统 | |
CN111860488A (zh) | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
CN110717490A (zh) | 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 | |
CN112116567A (zh) | 一种无参考图像质量评价方法、装置及存储介质 | |
CN110826413A (zh) | 一种输电线路防振锤故障检测方法及其系统、存储介质 | |
Sanin et al. | K-tangent spaces on Riemannian manifolds for improved pedestrian detection | |
CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN110781758A (zh) | 一种受电弓结构异常动态视频监测方法及装置 | |
CN113496159A (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |