CN111242053A - 一种输电线路火焰检测方法及系统 - Google Patents

一种输电线路火焰检测方法及系统 Download PDF

Info

Publication number
CN111242053A
CN111242053A CN202010045890.3A CN202010045890A CN111242053A CN 111242053 A CN111242053 A CN 111242053A CN 202010045890 A CN202010045890 A CN 202010045890A CN 111242053 A CN111242053 A CN 111242053A
Authority
CN
China
Prior art keywords
neural network
flame
trained
data
picture
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.)
Granted
Application number
CN202010045890.3A
Other languages
English (en)
Other versions
CN111242053B (zh
Inventor
李永祥
李艳鹏
刘志祥
米康民
张伟
张申
王帅
白洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Electric Power Research Institute Of Sepc
Original Assignee
Shanxi Zhenzhong Electric Power Co ltd
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Zhenzhong Electric Power Co ltd, Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd filed Critical Shanxi Zhenzhong Electric Power Co ltd
Priority to CN202010045890.3A priority Critical patent/CN111242053B/zh
Publication of CN111242053A publication Critical patent/CN111242053A/zh
Application granted granted Critical
Publication of CN111242053B publication Critical patent/CN111242053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种输电线路火焰检测方法及系统，方法包括：获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；利用摄像机获取当前输电线路中待识别图片；将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。通过本发明的上述方法实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度。

Description

一种输电线路火焰检测方法及系统
技术领域
本发明涉及火焰检测技术领域，特别是涉及一种输电线路火焰检测方法及系统。
背景技术
随着我国电网规模的不断扩大，高压输电线路的传送距离也逐渐增大，输电线路不可避免的要穿过森林高山。在雷雨季节或者干旱天气情况下，有可能引发山火林火，这将大大威胁输电线路的安全。高压输电线路沿线地形复杂，如果派遣人员前去检测，将会消耗大量的人力物力，而且人工检测的效率并不是很高。
当前计算机图像处理技术在自动识别与检测方面得到了广泛的应用，通过摄像机采集到的图像，经过计算机处理，就可以得到目标信息。目前在输电线路火焰检测方面多利用遥感卫星、毫米波雷达以及红外装置进行火焰图像检测，对设备要求较高并且准确率低。
发明内容
本发明的目的是提供一种输电线路火焰检测方法及系统，实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度。
为实现上述目的，本发明提供了如下方案：
一种输电线路火焰检测方法，所述输电线路火焰检测方法包括：
获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；
利用摄像机获取当前输电线路中待识别图片；
将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
可选的，所述根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络，具体包括：
采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。
可选的，所述根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络方法还包括：
采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
可选的，所述采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域，具体包括：
根据所述正集合，在RGB空间通过限定条件
Figure BDA0002369391040000021
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域；
根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure BDA0002369391040000022
得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
可选的，所述采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合，具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32；
采用DTC变换公式
Figure BDA0002369391040000023
对所述缩小灰度化数据中的每个图片进行离散余弦变换，得到DTC矩阵集合；其中，输出F(u，v)为DCT变换后所得矩阵对应点(u，v)处的元素值，f(x，y)为缩小灰度化数据中图片上对应点(x，y)处的像素值；
从所述DTC矩阵集合的每个DTC矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；
对所述8×8矩阵矩阵集合进行二值化处理，得到特征数据集合。
可选的，所述根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络，具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合；
根据所述打乱特征数据集合，使用反向传播算法和Dropout方法对所述BP神经网络进行训练，得到训练后的BP神经网络。
一种输电线路火焰检测系统，所述输电线路火焰检测系统包括：
训练样本数据获取模块，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的BP神经网络获取模块，用于根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；
待识别图片获取模块，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块，用于将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
可选的，所述训练后的BP神经网络获取模块，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的BP神经网络获取单元，用于根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。
可选的，所述训练后的BP神经网络获取模块还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
可选的，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在RGB空间通过限定条件
Figure BDA0002369391040000041
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure BDA0002369391040000042
得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明涉及一种输电线路火焰检测方法及系统，方法包括：获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；利用摄像机获取当前输电线路中待识别图片；将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。通过本发明的上述方法实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种输电线路火焰检测方法的流程图；
图2为本发明实施例一种输电线路火焰检测系统的结构示意图；
图3为本发明实施例BP神经网络示意图；
图4为本发明实施例神经元模型示意图。
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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种输电线路火焰检测方法及系统，实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种输电线路火焰检测方法的流程图，如图1所示，本发明所述输电线路火焰检测方法包括：
S1：获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合。
具体的，含有火焰目标图片的正集合为D1，D1中包含有多个火焰图片，不含有火焰目标图片的负集合D2，D2包含有多个非火焰图片，火焰图片无具体要求，存在火焰即可。
S2：根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络。
S2具体包括：
S201：采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
双线性插值算法如下：
Figure BDA0002369391040000051
其中,h(x,y)为双线性插值后的像素值，Q11(x1，y1)、Q21(x2，y1)、Q12(x1，y2)、Q22(x2，y2)分别为(x，y)相邻的四个点。
S202：采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域。
具体的，对D1中每一张图片都进行以下操作：按行均分为N份，按列均分为N份，同时确保
Figure BDA0002369391040000061
因此D1中每一张图片都被划分为N×N个区域。
对D1中每一张图片中的各个区域进行RGB颜色空间检测和HIS颜色空间检测，提取出存在火焰像素的区域，将提取出的各个区域设为P：
彩色图片的三分量即为RGB，分别表示红绿蓝，在RGB空间通过限定条件
Figure BDA0002369391040000062
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域，
转换公式为
Figure BDA0002369391040000063
根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure BDA0002369391040000064
对已提取出的像素进行判定，得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
S203：对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
对D1、D2中所有图片以及P中的各区域进行灰度化处理。采用平均值灰度法，将彩色图像中的三分量亮度求平均得到一个灰度值：J(x,y)＝[R(x,y)+G(x,y)+B(x,y)]/3，其中J(x,y)表示灰度化后坐标(x,y)的像素值。
S204：采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合。S204具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32。
采用DTC变换公式
Figure BDA0002369391040000071
对所述缩小灰度化数据中的每个图片进行离散余弦变换，得到DTC矩阵集合；其中，输出F(u，v)为DCT变换后所得矩阵对应点(u，v)处的元素值，f(x，y)为缩小灰度化数据中图片上对应点(x，y)处的像素值；
假设D1中有m1张图片，P中有m2个区域，D2中有m3共张图片，则最后得到的DCT矩阵集合的个数为m1+m2+m3个。
从所述DTC矩阵集合的每个DTC矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；提取所得的每一个DCT矩阵中左上角的8×8的矩阵，共64个元素，左上角的8×8矩阵代表了图像的低频信息。
对所述8×8矩阵集合进行二值化处理，得到特征数据集合。
具体的，对每个所得的8×8矩阵求取均值K，遍历每一个8×8矩阵中的每一个元素，若该元素大于等于K则将其置为1，反之则置为0，由此得到二值化矩阵，每个二值化矩阵共有64个元素。二值化矩阵中每四个横向相邻的四个元素可构成一个十六进制数，每个二值化矩阵可得到包含16个十六进制数的数组，记X＝[x1，x2，x3，…，x16]，其中xj(j＝1，2，…，16)为十六进制数。假设DCT矩阵个数为(m1+m2+m3)个，则最后一共可得到(m1+m2+m3)组十六进制数组，将得到的(m1+m2)组数组作为BP神经网络的训练集的正样本，将得到的m3组数组作为BP神经网络的训练集的负样本。
S205：根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。BP神经网络由输入层、隐藏层和输出层组成，S205具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合。
具体的，将所有正负样本打乱后合并成特征数据集合D，令数据集D＝{(X1，Y1)(X2，Y2)…(Xi，Yi)…(XI，YI)}，其中
Figure BDA0002369391040000072
为十六进制数组，作为样本输入；Yi为类别属性，Yi∈{1，0}，Yi＝1时表示对应的Xi为正样本，反之Yi＝0时表示对应的Xi为负样本，数据集中D共有(I＝m1+m2+m3)组数据。
根据所述打乱特征数据集合，使用反向传播算法和Dropout方法对所述BP神经网络进行训练，得到训练后的BP神经网络。
数据归一化，通过线性归一化
Figure BDA0002369391040000081
(j＝1，2，…，16)将Xi中各元素映射至[0,1]区间。每一个Xi都会得到对应的
Figure BDA0002369391040000082
随机选取85％的
Figure BDA0002369391040000083
作为训练集Train，设共有数据I1组，其它作为测试集Test，设共有数据I2组。首先令训练集中的所有
Figure BDA0002369391040000084
作为BP神经网络的输入，训练神经网络。
创建并训练BP神经网络，初始化神经网络各层权重参数ω，偏执参数b。将神经网络设为L层，每层节点数(神经元数)为n[l](i＝1，…，L)，其中第0层为输入层，依次输入中Train中
Figure BDA0002369391040000085
的16个数(i＝1，2，...，I1)，故n[0]＝16。第L层为输出层，由于只需检测火焰，输出只需判别0或者1，故可令n[L]＝1。其余各层均被称为隐藏层。选取Sigmoid函数
Figure BDA0002369391040000086
作为神经网络的激活函数。各层之间采用全连接的方式。输出
Figure BDA0002369391040000087
为对应输入
Figure BDA0002369391040000088
的期望值，具体如图3所示。
BP神经网络通过以下三个阶段来实现神经网络内部参数的训练。第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层。每次神经网络训练一组数据，公式为：
Figure BDA0002369391040000089
其中l表示第l层神经层，W[l]为第l层神经层中所有权重参数ω构成的向量，b[l]为第l层神经层中的偏执参数b，A[l-1]为第l-1神经层中的各神经元的输出向量，将其作为第l层神经元的输入向量，Z[l]为输入向量经线性运算后得到的向量，A[l]为第l层神经层的输出向量。以第3层第η个神经元(第3层神经元总数为n[3])为例，神经元模型如图4所示。
其中，Θ＝n[2]，为第2层神经元的节点数，有：
Figure BDA00023693910400000810
Figure BDA00023693910400000811
该神经元输出为：
Figure BDA00023693910400000812
第二阶段是计算成本，成本公式为：
Figure BDA0002369391040000091
每次输入一个
Figure BDA0002369391040000092
共进行训练集总数I1次，之后再计算成本与反向传播，该过程为一次迭代过程。通过迭代多次，求取最小成本。
第三阶段是误差的反向传播与参数的更新。从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重参数ω和偏置参数b。
公式为
Figure BDA0002369391040000093
更新参数
Figure BDA0002369391040000094
其中α为学习率。
训练神经网络时使用Dropout以避免过拟合。Dropout即以一定比例V随机忽略隐藏层各层中神经元，使得网络变得更小，训练阶段也会提速。Dropout比例V＝[v1，v2，…，vL-1]，其中v1，v2，…，vL-1为对应神经层的Dropout比例。
测试并调整神经网络。将测试集Test作为输入，查看分类准确率，通过分类正确率的高低进而优化神经网络。可进一步调整神经网络的总层数L，调整隐藏层各层的神经元数量n[l]以及各神经层的Dropout比例V，再次训练，直到得到较高的正确率，
Figure BDA0002369391040000095
S3：利用摄像机获取当前输电线路中待识别图片；其中，摄像机设置在输电线路杆塔上。
S4：将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
对现场采集到图片首先进行S201-S202的火焰像素检验，若图片内含有疑似火焰像素的区域，采用S203进行灰度化，采用滑动窗口法，即设定好窗口的长宽以及运动的步长，在待识别图片上移动，对窗口检测出来的区域采用步S204特征提取，然后作为已训练好的BP神经网络的输入来进行判定是否存在火焰目标。
图2为本发明实施例一种输电线路火焰检测系统的结构示意图，如图2所示，本发明还提供一种输电线路火焰检测系统，所述输电线路火焰检测系统包括：
训练样本数据获取模块201，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的BP神经网络获取模块202，用于根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；
待识别图片获取模块203，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块204，用于将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
优选的，所述训练后的BP神经网络获取模块202，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的BP神经网络获取单元，用于根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。
优选的，所述训练后的BP神经网络获取模块202还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
优选的，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在RGB空间通过限定条件
Figure BDA0002369391040000101
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure BDA0002369391040000111
得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
本发明提供一种输电线路火焰检测方法及系统，通过设置在输电线路杆塔上的摄像机按时采样得到待识别图片，然后采用训练后的BP神经网络对待识别图片进行检测，来判断待识别图片中否存在火焰目标，从而有效提高检测效率与准确度，大大节省人力。
本发明中由于火焰形状不固定，因此采用分割图片的方法来增加正样本数量，因此弥补了训练神经网络时正样本图片不充足的缺陷。
本发明通过感知哈希算法将图像特征用一维数组表示，然后采用颜色空间方法可直接滤除掉一部分图像，提高神经网络的训练速度以及检测速度，最后在训练神经网络时运用Dropout避免了过拟合现象，提高了检测结果的准确度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种输电线路火焰检测方法，其特征在于，所述输电线路火焰检测方法包括：
获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；
利用摄像机获取当前输电线路中待识别图片；
将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
2.根据权利要求1所述的输电线路火焰检测方法，其特征在于，所述根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络，具体包括：
采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。
3.根据权利要求1所述的输电线路火焰检测方法，其特征在于，所述根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络还包括：
采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
4.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域，具体包括：
根据所述正集合，在RGB空间通过限定条件
Figure FDA0002369391030000011
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域；
根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure FDA0002369391030000021
得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
5.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合，具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32；
采用DTC变换公式
Figure FDA0002369391030000022
对所述缩小灰度化数据中的每个图片进行离散余弦变换，得到DTC矩阵集合；其中，输出F(u，v)为DCT变换后所得矩阵对应点(u，v)处的元素值，f(x，y)为缩小灰度化数据中图片上对应点(x，y)处的像素值；
从所述DTC矩阵集合的每个DTC矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；
对所述8×8矩阵矩阵集合进行二值化处理，得到特征数据集合。
6.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络，具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合；
根据所述打乱特征数据集合，使用反向传播算法和Dropout方法对所述BP神经网络进行训练，得到训练后的BP神经网络。
7.一种输电线路火焰检测系统，其特征在于，所述输电线路火焰检测系统包括：
训练样本数据获取模块，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的BP神经网络获取模块，用于根据所述训练样本数据训练BP神经网络，得到训练后的BP神经网络；
待识别图片获取模块，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块，用于将所述待识别图片输入到所述训练后的BP神经网络，得到当前检测结果。
8.根据权利要求7所述的输电线路火焰检测系统，其特征在于，所述训练后的BP神经网络获取模块，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的BP神经网络获取单元，用于根据所述特征数据集合对BP神经网络进行训练，得到训练后的BP神经网络。
9.根据权利要求7所述的输电线路火焰检测系统，其特征在于，所述训练后的BP神经网络获取模块还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为M×M。
10.根据权利要求8所述的输电线路火焰检测系统，其特征在于，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在RGB空间通过限定条件
Figure FDA0002369391030000031
提取出疑似火焰像素区域；其中，R表示红色，G表示绿色，B表示蓝色；
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到HIS空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在HIS空间通过限定条件
Figure FDA0002369391030000032
得到火焰像素区域；其中，H表示色调，S表示饱和度，I表示强度。
CN202010045890.3A 2020-01-16 2020-01-16 一种输电线路火焰检测方法及系统 Active CN111242053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010045890.3A CN111242053B (zh) 2020-01-16 2020-01-16 一种输电线路火焰检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010045890.3A CN111242053B (zh) 2020-01-16 2020-01-16 一种输电线路火焰检测方法及系统

Publications (2)

Publication Number Publication Date
CN111242053A true CN111242053A (zh) 2020-06-05
CN111242053B CN111242053B (zh) 2023-07-18

Family

ID=70872697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010045890.3A Active CN111242053B (zh) 2020-01-16 2020-01-16 一种输电线路火焰检测方法及系统

Country Status (1)

Country Link
CN (1) CN111242053B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102234A (zh) * 2020-08-06 2020-12-18 复旦大学 基于目标检测神经网络的耳硬化病灶检测及诊断系统
CN112633292A (zh) * 2020-09-01 2021-04-09 广东电网有限责任公司 一种金属表面氧化层温度测量方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1786979A (zh) * 2005-09-30 2006-06-14 哈尔滨工业大学 基于离散余弦变换的图像指纹提取方法
CN104599427A (zh) * 2014-12-30 2015-05-06 无锡波汇光电科技有限公司 一种用于公路隧道的智能图像型火灾报警系统
CN105788142A (zh) * 2016-05-11 2016-07-20 中国计量大学 一种基于视频图像处理的火灾检测系统及检测方法
CN105868786A (zh) * 2016-04-01 2016-08-17 山东正晨科技股份有限公司 一种基于自编码预训练深度神经网络的车标识别方法
CN105894701A (zh) * 2016-04-05 2016-08-24 江苏电力信息技术有限公司 输电线路防外破大型施工车辆的识别报警方法
CN106250845A (zh) * 2016-07-28 2016-12-21 北京智芯原动科技有限公司 基于卷积神经网络的火焰检测方法及装置
CN106599941A (zh) * 2016-12-12 2017-04-26 西安电子科技大学 基于卷积神经网络与支持向量机的手写数字识别方法
CN108536827A (zh) * 2018-04-11 2018-09-14 南京理工大学 一种相似频谱图片搜索方法
CN109272037A (zh) * 2018-09-17 2019-01-25 江南大学 一种应用于红外火焰识别的自组织ts型模糊网络建模方法
CN109447154A (zh) * 2018-10-29 2019-03-08 网易（杭州）网络有限公司 图片相似度检测方法、装置、介质及电子设备
CN109840556A (zh) * 2019-01-24 2019-06-04 浙江大学 一种基于孪生网络的图像分类识别方法
CN110648490A (zh) * 2019-09-26 2020-01-03 华南师范大学 适用于嵌入式平台的多因子火焰识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1786979A (zh) * 2005-09-30 2006-06-14 哈尔滨工业大学 基于离散余弦变换的图像指纹提取方法
CN104599427A (zh) * 2014-12-30 2015-05-06 无锡波汇光电科技有限公司 一种用于公路隧道的智能图像型火灾报警系统
CN105868786A (zh) * 2016-04-01 2016-08-17 山东正晨科技股份有限公司 一种基于自编码预训练深度神经网络的车标识别方法
CN105894701A (zh) * 2016-04-05 2016-08-24 江苏电力信息技术有限公司 输电线路防外破大型施工车辆的识别报警方法
CN105788142A (zh) * 2016-05-11 2016-07-20 中国计量大学 一种基于视频图像处理的火灾检测系统及检测方法
CN106250845A (zh) * 2016-07-28 2016-12-21 北京智芯原动科技有限公司 基于卷积神经网络的火焰检测方法及装置
CN106599941A (zh) * 2016-12-12 2017-04-26 西安电子科技大学 基于卷积神经网络与支持向量机的手写数字识别方法
CN108536827A (zh) * 2018-04-11 2018-09-14 南京理工大学 一种相似频谱图片搜索方法
CN109272037A (zh) * 2018-09-17 2019-01-25 江南大学 一种应用于红外火焰识别的自组织ts型模糊网络建模方法
CN109447154A (zh) * 2018-10-29 2019-03-08 网易（杭州）网络有限公司 图片相似度检测方法、装置、介质及电子设备
CN109840556A (zh) * 2019-01-24 2019-06-04 浙江大学 一种基于孪生网络的图像分类识别方法
CN110648490A (zh) * 2019-09-26 2020-01-03 华南师范大学 适用于嵌入式平台的多因子火焰识别方法

Non-Patent Citations (17)

* Cited by examiner, † Cited by third party
Title
常晓敏等: "基于哈希编码的无线多媒体传感网络森林火灾图像识别算法", 《计算机科学》 *
常晓敏等: "基于哈希编码的无线多媒体传感网络森林火灾图像识别算法", 《计算机科学》, no. 05, 15 May 2016 (2016-05-15), pages 313 - 317 *
张宇峰: "基于图像处理及BP神经网络的火灾识别方法", 《数码设计》 *
张宇峰: "基于图像处理及BP神经网络的火灾识别方法", 《数码设计》, no. 08, 23 April 2017 (2017-04-23), pages 28 - 29 *
徐燕翔等: "基于无人机的森林火灾检测系统", 《计算机工程与设计》 *
徐燕翔等: "基于无人机的森林火灾检测系统", 《计算机工程与设计》, vol. 39, no. 06, 16 June 2018 (2018-06-16), pages 1591 - 1596 *
旷尤毓等: "基于ARM9的嵌入式火灾预警系统的设计与实现", 《计算机系统应用》 *
旷尤毓等: "基于ARM9的嵌入式火灾预警系统的设计与实现", 《计算机系统应用》, no. 10, 15 October 2009 (2009-10-15), pages 208 - 211 *
曹玉婵, 东北师范大学出版社 *
曹玉婵, 东北师范大学出版社, pages: 166 - 167 *
杨滨等: "基于深度学习的图像局部模糊识别", 《应用科学学报》 *
杨滨等: "基于深度学习的图像局部模糊识别", 《应用科学学报》, no. 02, 30 March 2018 (2018-03-30), pages 117 - 126 *
欧新宇等: "基于深度自学习的图像哈希检索方法", 《计算机工程与科学》 *
欧新宇等: "基于深度自学习的图像哈希检索方法", 《计算机工程与科学》, no. 12, 15 December 2015 (2015-12-15), pages 2386 - 2392 *
王韬等: "BP神经网络的火焰图像温度检测方法", 《中国测试技术》, no. 02, 28 April 2005 (2005-04-28), pages 50 - 52 *
齐苏敏等: "基于改进Adaboost特征检测的感知哈希跟踪算法", 《通信技术》 *
齐苏敏等: "基于改进Adaboost特征检测的感知哈希跟踪算法", 《通信技术》, vol. 50, no. 03, 10 March 2017 (2017-03-10), pages 430 - 435 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102234A (zh) * 2020-08-06 2020-12-18 复旦大学 基于目标检测神经网络的耳硬化病灶检测及诊断系统
CN112633292A (zh) * 2020-09-01 2021-04-09 广东电网有限责任公司 一种金属表面氧化层温度测量方法

Also Published As

Publication number Publication date
CN111242053B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN112507793B (zh) 一种超短期光伏功率预测方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109033998B (zh) 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN106683048B (zh) 一种图像超分辨率方法及设备
CN111709265A (zh) 基于注意力机制残差网络的摄像监控状态分类方法
CN112818969B (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN111291826A (zh) 基于相关性融合网络的多源遥感图像的逐像素分类方法
CN113469074A (zh) 基于孪生注意力融合网络的遥感图像变化检测方法及系统
CN111461129B (zh) 一种基于上下文先验的场景分割方法和系统
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN111242053A (zh) 一种输电线路火焰检测方法及系统
CN111222545A (zh) 基于线性规划增量学习的图像分类方法
CN113269685A (zh) 一种融合多注意力机制的图像去雾方法
CN115410087A (zh) 一种基于改进YOLOv4的输电线路异物检测方法
CN116051534A (zh) 一种基于人工智能的仓库顶棚太阳能板缺陷检测方法
CN114444757A (zh) 一种高原山地多模型多尺度新能源电站出力联合预测方法
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN111353412B (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN111695436B (zh) 一种基于目标增强的高空间分辨率遥感图像场景分类方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN111126173A (zh) 一种高精度人脸检测方法
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质
CN110991361B (zh) 面向高清高速视频的多通道多模态背景建模方法
CN113884827A (zh) 一种基于yolo的绝缘子紫外故障诊断方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220215

Address after: 030024 No. 6, Qingnian Road, Shanxi, Taiyuan

Applicant after: STATE GRID ELECTRIC POWER Research Institute OF SEPC

Address before: 030000 Shanxi Electric Power Research Institute of State Grid, No. 6, Qingnian Road, Yingze District, Taiyuan City, Shanxi Province

Applicant before: STATE GRID ELECTRIC POWER Research Institute OF SEPC

Applicant before: SHANXI ZHENZHONG ELECTRIC POWER Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant