CN111241905A - 基于改进ssd算法的输电线路鸟窝检测方法 - Google Patents
基于改进ssd算法的输电线路鸟窝检测方法 Download PDFInfo
- Publication number
- CN111241905A CN111241905A CN201911145465.5A CN201911145465A CN111241905A CN 111241905 A CN111241905 A CN 111241905A CN 201911145465 A CN201911145465 A CN 201911145465A CN 111241905 A CN111241905 A CN 111241905A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- ssd algorithm
- image
- power transmission
- method based
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 235000005770 birds nest Nutrition 0.000 claims abstract description 18
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
基于改进SSD算法的输电线路鸟窝检测方法,涉及一种目标识别方法。本发明包括以下步骤:(1)通过无人机获取输电铁塔的图像,并对其进行预处理后,人工打标签,制作数据集;(2)将步骤(1)得到的数据集分为互斥的训练集、验证集和测试集,采用改进后的SSD算法对其进行训练得出用于识别目标的模型;(3)根据步骤(2)得到的模型对目标进行识别;(4)对训练所得日志进行统计,得出该模型的准确率。本发明对输电线路上的鸟窝实现智能实时监控,极大的降低了人力成本,提高效率。
Description
技术领域
本发明涉及一种目标识别方法,特别是一种基于改进SSD算法的输电线路鸟窝检测方法。
背景技术
输电线路在电力系统巡行中扮演着至关重要的角色,一旦产生故障,将会对于输电网络造成巨大的经济损失。影响到输电线路安全运行的因素有很多,鸟害便是其中之一。近年来,鸟害事故的发生明显增多,通过对其分析,鸟窝造成的短路故障这一现象最为普遍,而对于鸟窝的检测目前采用最多的便是传统的人工巡检方法,这就要求巡检工作人员定期的前往检查,这种方法不仅效率低,而且容易受地形,天气等客观因素影响。
近年来,机器学习的出现带动目标检测这一课题也被重视起来,传统的目标检测算法更注重特征的提取,只能够适用于有明显特征,背景简单的图片,所提取的特征一般较为抽象,对于目标多样性的变化不能够拥有较好的鲁棒性。而在实际情况中,无人机所拍摄的照片背景复杂,且所需要检测的目标复杂多变,很难通过所提取出来的一般的抽象特征对目标进行检测。伴随着深度学习的不断发展,目标检测技术的研究取得了突破性的进展。
发明内容
本发明目的在于对输电线路上的鸟窝搭建进行识别,使得鸟窝所造成的短路故障这一现象能够得到改善。
本发明提供了一种基于改进SSD算法的输电线路上鸟窝检测方法,主要包括以下步骤:(1)通过无人机获取输电铁塔的图像,并对其进行预处理后,人工打标签,制作数据集;(2)将步骤(1)得到的数据集分为互斥的训练集、验证集和测试集,采用改进后的SSD算法对其进行训练得出用于识别目标的模型;(3)根据步骤(2)得到的模型对目标进行识别;(4)对训练所得日志进行统计,得出该模型的准确率。
进一步,本发明步骤(1)中输电铁塔的图像,其图像包括输电线路以及搭建在输电线路上的鸟窝;对图像进行预处理,采用图片转换器对于图片进行批量的处理,将图片的尺寸缩至512×512,使之能够匹配SSD的输入;对图片进行人工打标签是使用labelImg工具给图片打标签,进而生成包含目标类别以及位置信息的xml文件。
进一步,本发明步骤(2)中的训练集、验证集和测试集按照8:1:1 的比例随机分配。
进一步,本发明步骤(3)中对目标进行识别时,设置其SSD算法的识别阙值为0.5。
进一步,本发明步骤(4)中得模型准确率以(Precision)和召回率 (Recall)作为衡量的评价指标;其计算公式为:
式中TP表示为被正确地划分到正例的个数,FP表示为被错误地划分到正例的个数,FN表示为被错误的划分到负例的个数。
进一步,本发明步骤(2)中改进后的SSD算法,包括(1)采用DetNet 网络;(2)使用Conv NMS获得更好的输出。
进一步,本发明使用Conv NMS,其流程为:
(a)当输入的输电线路图片为W×H时,需要对其生成w×h的score map,其中w=W/4,h=H/4,即score map上的每个点分别对应原图中4×4的区域。
(b)根据所得物体的bounding box的置信度,将其中心点的位置记录在 scoremap中,若接着得到更高的置信度,则需要对该区域的置信度进行更新,从而得到w×h×1的score map。
(c)用传统的NMS对bounding box进行处理,继而生成一张同样大小的 scoremap,将其记为S(T),T为NMS的阈值。
(d)对于score map上的每个点都记录了是否包含bounding box以及该 box的置信度,以每个点为中心,选取其11×11的区域,计算其121个点所保存的bounding box和中心点的IoU,并将其保存为121维的向量用于描述该点的IoU特性,整个score map的输出特征为15×15×121;
(e)score map作为输入,其中会有多个有效的score,与之对应着相同数目的bounding box,假定这些bounding box都是同一目标的检测结果,则训练目的为保留最好的一个,抑制其他的;
(f)通过将这些bounding box中满足与ground truth的IoU大于0.5 且得分最高的box作为正样本,其余均为负样本进行标签分配;
(g)在计算loss之前要分配权重,使得正样本的权重总和与负样本的权重总和相等;
(h)得出损失函数,如以下公式所示:
本发明对输电线路上的鸟窝实现智能实时监控,极大的降低了人力成本,提高效率。
附图说明
图1为本发明的总体流程图。
图2为本发明SSD网络结构的示意图。
图3为本发明DetNet主干网络的示意图。
图4A为其中一种DetNet基本残差结构图。
图4B为另一种DetNet基本残差结构图。
图5为本发明DetNet特征金字塔网络结构细节图。
图6为本发明Conv NMS的流程图。
具体实施步骤
下面结合附图对本发明进一步说明。
如图1所述,本申请提出了一种基于改进SSD算法的输电线路鸟窝检测方法,包括:
(1)通过无人机获取输电线路的图像,并对其进行预处理后,人工打标签,制作数据集。
其图像包括输电线路以及搭建在输电线路上的鸟窝。
对于给图片进行人工打标签是使用labelImg工具将图片中所要识别的目标框出来,由其自带的pascalVOC可以得到与图片相对应的xml文件,xml 文件中会自动生成目标的坐标信息及其标签名。
(2)将数据集分为按照8:1:1的比例随机分为互斥的训练集,验证集和测试集。
(3)改进SSD算法,如图2所示,本发明的SSD算法改进在于:(1′) 采用DetNet替换传统主干网络;(2′)使用改进后的Conv NMS提高目标检测效果,通过学习的方式获得更好的输出。
本发明的DetNet包含以下特性:(1″)stage的数量专门为物体检测设计;(2″)相较于传统分类网络,DetNet拥有更多stage,且同时兼顾空间分辨率和感受野。其主干网络如图3所示。
本发明的DetNet是在ResNet50的基础上进行改进的,其核心思想是空洞瓶颈结构,目的在于保持高分辨率的同时拥有足够大的感受野。改进后的两种基本残差结构如图4所示,图4A为dilated bottleneck结构,图4B 为带有1x1卷积投影的dilated bottleneck结构。图5为DetNet特征金字塔网络结构细节图。
如图6所示,本发明的Conv NMS的流程为:
(a)当输入图片为W×H时,需要对其生成w×h的score map,其中w=W/4, h=H/4,即score map上的每个点分别对应原图中4×4的区域。
(b)根据所得物体的bounding box的置信度,将其中心点的位置记录在score map中,若接着得到更高的置信度,则需要对该区域的置信度进行更新,从而得到w×h×1的score map。
(c)用传统的NMS对bounding box进行处理,继而生成一张同样大小的 scoremap,将其记为S(T),T为NMS的阈值。
(d)对于score map上的每个点都记录了是否包含bounding box以及该 box的置信度,以每个点为中心,选取其11×11的区域,计算其121个点所保存的bounding box和中心点的IoU,并将其保存为121维的向量用于描述该点的IoU特性,整个score map的输出特征为15×15×121;
(e)score map作为输入,其中会有多个有效的score,与之对应着相同数目的bounding box,假定这些bounding box都是同一目标的检测结果,则训练目的为保留最好的一个,抑制其他的;
(f)通过将这些bounding box中满足与ground truth的IoU大于0.5 且得分最高的box作为正样本,其余均为负样本进行标签分配;
(g)在计算loss之前要分配权重,使得正样本的权重总和与负样本的权重总和相等;
(h)得出损失函数,如以下公式所示:
(4)根据所得模型对目标进行识别。
对训练所得日志进行统计,得出该模型的准确率。
该模型准确率以精确率(Precision)和召回率(Recall)作为衡量的评价指标。
其中精确率(Precision)和召回率(Recall)的计算公式为:
式中TP表示为被正确地划分到正例的个数,FP表示为被错误地划分到正例的个数,FN表示为被错误的划分到负例的个数。
本发明对输电线路上的鸟窝实现智能实时监控,极大的降低了人力成本,提高效率。
Claims (7)
1.一种基于改进SSD算法的输电线路鸟窝检测方法,其特征在于包括以下步骤:
(1)通过无人机获取输电铁塔的图像,并对其进行预处理后,人工打标签,制作数据集;
(2)将步骤(1)得到的数据集分为互斥的训练集、验证集和测试集,采用改进后的SSD算法对其进行训练得出用于识别目标的模型;
(3)根据步骤(2)得到的模型对目标进行识别;
(4)对训练所得日志进行统计,得出该模型的准确率。
2.根据权利要求1所述的基于改进SSD算法的输电线路鸟窝检测方法,其特征在于上述步骤(1)中输电铁塔的图像,其图像包括输电线路以及搭建在输电线路上的鸟窝;对图像进行预处理,采用图片转换器对于图片进行批量的处理,将图片的尺寸缩至512×512,使之能够匹配SSD的输入;对图片进行人工打标签是使用labelImg工具给图片打标签,进而生成包含目标类别以及位置信息的xml文件。
3.根据权利要求1所述的基于改进SSD算法的输电线路鸟窝检测方法,其特征在于上述步骤(2)中的训练集、验证集和测试集按照8:1:1的比例随机分配。
4.根据权利要求1所述的基于改进SSD算法的输电线路鸟窝检测方法,其特征在于上述步骤(3)中对目标进行识别时,设置其SSD算法的识别阙值为0.5。
6.根据权利要求1所述的基于改进SSD算法的输电线路鸟窝检测方法,其特征在于上述步骤(2)中改进后的SSD算法,包括(1′)采用DetNet网络;(2′)使用Conv NMS获得更好的输出。
7.根据权利要求6所述的基于改进SSD算法的输电线路鸟窝检测方法,其特征在于上述Conv NMS,其流程为:
(a)当输入的输电线路图片为W×H时,需要对其生成w×h的score map,其中w=W/4,h=H/4,即score map上的每个点分别对应原图中4×4的区域。
(b)根据所得物体的bounding box的置信度,将其中心点的位置记录在score map中,若接着得到更高的置信度,则需要对该区域的置信度进行更新,从而得到w×h×1的scoremap。
(c)用传统的NMS对bounding box进行处理,继而生成一张同样大小的score map,将其记为S(T),T为NMS的阈值。
(d)对于score map上的每个点都记录了是否包含bounding box以及该box的置信度,以每个点为中心,选取其11×11的区域,计算其121个点所保存的bounding box和中心点的IoU,并将其保存为121维的向量用于描述该点的IoU特性,整个score map的输出特征为15×15×121;
(e)score map作为输入,其中会有多个有效的score,与之对应着相同数目的boundingbox,假定这些bounding box都是同一目标的检测结果,则训练目的为保留最好的一个,抑制其他的;
(f)通过将这些bounding box中满足与ground truth的IoU大于0.5且得分最高的box作为正样本,其余均为负样本进行标签分配;
(g)在计算loss之前要分配权重,使得正样本的权重总和与负样本的权重总和相等;
(h)得出损失函数,如以下公式所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145465.5A CN111241905A (zh) | 2019-11-21 | 2019-11-21 | 基于改进ssd算法的输电线路鸟窝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145465.5A CN111241905A (zh) | 2019-11-21 | 2019-11-21 | 基于改进ssd算法的输电线路鸟窝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111241905A true CN111241905A (zh) | 2020-06-05 |
Family
ID=70866133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911145465.5A Pending CN111241905A (zh) | 2019-11-21 | 2019-11-21 | 基于改进ssd算法的输电线路鸟窝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241905A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115977A (zh) * | 2020-08-24 | 2020-12-22 | 重庆大学 | 基于尺度不变性与特征融合的目标检测算法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN114387510A (zh) * | 2021-12-22 | 2022-04-22 | 广东工业大学 | 一种输电线路鸟类识别方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019033747A1 (zh) * | 2017-08-18 | 2019-02-21 | 深圳市道通智能航空技术有限公司 | 无人机智能跟随目标确定方法、无人机和遥控器 |
CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
-
2019
- 2019-11-21 CN CN201911145465.5A patent/CN111241905A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019033747A1 (zh) * | 2017-08-18 | 2019-02-21 | 深圳市道通智能航空技术有限公司 | 无人机智能跟随目标确定方法、无人机和遥控器 |
CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
CN109919108A (zh) * | 2019-03-11 | 2019-06-21 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
Non-Patent Citations (1)
Title |
---|
潘哲: "基于深度学习的航拍巡检图像绝缘子检测与故障识别研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115977A (zh) * | 2020-08-24 | 2020-12-22 | 重庆大学 | 基于尺度不变性与特征融合的目标检测算法 |
CN112115977B (zh) * | 2020-08-24 | 2024-04-02 | 重庆大学 | 基于尺度不变性与特征融合的目标检测算法 |
CN113313024A (zh) * | 2021-05-28 | 2021-08-27 | 宁波新胜中压电器有限公司 | 一种基于掩膜的输电线杆塔鸟巢小样本检测方法 |
CN114387510A (zh) * | 2021-12-22 | 2022-04-22 | 广东工业大学 | 一种输电线路鸟类识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN111104906A (zh) | 一种基于yolo的输电塔鸟巢故障检测方法 | |
CN111914813B (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
CN109214280B (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN111241905A (zh) | 基于改进ssd算法的输电线路鸟窝检测方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN110210433B (zh) | 一种基于深度学习的集装箱箱号检测与识别方法 | |
CN109376580B (zh) | 一种基于深度学习的电力塔架部件识别方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
CN110929646A (zh) | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 | |
CN115619719A (zh) | 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法 | |
CN115359295A (zh) | 一种解耦知识蒸馏金具目标检测方法及系统 | |
CN115272791A (zh) | 一种基于YoloV5的茶叶用多目标检测定位方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN118038494A (zh) | 一种损坏场景鲁棒的跨模态行人重识别方法 | |
CN117912023A (zh) | 一种水电厂电气图纸自动化识别方法及终端 | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115880477A (zh) | 一种基于深度卷积神经网络的苹果检测定位方法与系统 | |
CN113609913B (zh) | 一种基于采样阈值区间加权的松材线虫病树检测方法 | |
CN111738088B (zh) | 一种基于单目摄像头的行人距离预测方法 | |
CN115170970B (zh) | 一种用于检测城市街道景观破损的方法 | |
CN117372787B (zh) | 一种图像多类别识别方法及装置 | |
CN117173385B (zh) | 一种变电站的检测方法、装置、介质及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |