CN111582323B - 一种输电线路通道检测方法、装置及介质 - Google Patents

一种输电线路通道检测方法、装置及介质 Download PDF

Info

Publication number
CN111582323B
CN111582323B CN202010304250.XA CN202010304250A CN111582323B CN 111582323 B CN111582323 B CN 111582323B CN 202010304250 A CN202010304250 A CN 202010304250A CN 111582323 B CN111582323 B CN 111582323B
Authority
CN
China
Prior art keywords
transmission line
line channel
detection model
target
image
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.)
Active
Application number
CN202010304250.XA
Other languages
English (en)
Other versions
CN111582323A (zh
Inventor
刘伟
郭国信
蔡富东
吕昌峰
文刚
陈雷
李在学
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.)
Shandong Senter Electronic Co Ltd
Original Assignee
Shandong Senter Electronic 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 Shandong Senter Electronic Co Ltd filed Critical Shandong Senter Electronic Co Ltd
Priority to CN202010304250.XA priority Critical patent/CN111582323B/zh
Publication of CN111582323A publication Critical patent/CN111582323A/zh
Application granted granted Critical
Publication of CN111582323B publication Critical patent/CN111582323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • 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)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种输电线路通道检测方法、装置及介质，包括：将预先训练的目标检测模型部署到输电线路通道检测设备；将输电线路通道检测设备采集的图像输入到输电线路通道检测模型，判断图像是否存在预先设置的隐患；若判断出图像存在预先设置的隐患，将图像上传至服务器。本说明书实施例通过将目标检测模型部署在输电线路通道检测设备，相比于人工检测与无人机检测，可以达到更好的检测效果。此外，本申请实施例通过在输电线路通道检测模型检测图像，只有在确定出图像中存在预先设定的隐患时，才将图像上传至服务器，可以减少输电线路通道检测设备与服务器的通信次数，更好的保证整个系统的良好运行。

Description

一种输电线路通道检测方法、装置及介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种输电线路通道检测方法、装置及介质。
背景技术
在进行输电线路通道检测时，现有的处理方式大都由人工进行，由于工作量大、难度高而造成检测不到位、不达标，而且检测周期长，存在监管空白。而无人机检测方式受飞行环境因素(无线电环境、气象环境、地理环境)影响较大，单次采集数据量有限，采集有效性低，操作成本高，且要采集后再后期处理排查隐患，实时性不高。
发明内容
有鉴于此，本申请实施例提供了一种输电线路通道检测方法、装置及介质，用于解决现有技术中输电线路通道检测效果不好的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种输电线路通道检测方法，所述方法包括：
将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
进一步的，所述将预先训练的目标检测模型部署到输电线路通道检测设备之前，所述方法还包括：
构建输电线路通道的样本集，其中，所述样本集包括存在隐患的输电线路通道的图像；
建立初始的目标检测模型；
根据所述输电线路通道的样本集训练所述初始的目标检测模型，得出符合预设条件的目标检测模型。
进一步的，所述建立初始的目标检测模型，具体包括：
根据第一预设方式分析所述样本集的目标框，确定出参数值，其中，所述参数值为适配所述目标检测模型的参数，所述目标框为圈定隐患的边框；
根据第二预设方式调整所述特征级联网络的损失函数，其中，所述损失函数用于确定预设目标所在目标框的位置；
根据所述参数值以及所述损失函数构建初始的目标检测模型。
进一步的，所述根据第一预设方式分析所述样本集的目标框分布，确定出参数值之前，所述方法还包括：
调整所述特征级联网络的算子精度，以使得所述目标检测模型适配所述特征级联网络的半精度数据。
进一步的，所述根据所述参数值以及所述损失函数构建初始的目标检测模型，具体包括：
根据所述预先设定的精度、所述参数值以及所述损失函数构建初始的目标检测模型。
进一步的，所述参数值为anchor值，所述损失函数为bounding box回归损失函数。
进一步的，所述根据所述输电线路通道的样本集训练初始的目标检测模型，得出符合预设条件的目标检测模型，具体包括：
将所述样本集中的图像进行处理，确定出预设尺寸的图像；
根据所述预设尺寸的图像对初始的目标检测模型进行迭代训练，直至初始的目标检测模型符合预先设定的收敛条件，得出所述目标检测模型。
进一步的，所述特征级联方式包括级联两路稠密分支及上一层特征级联网络的输出结果，其中，每路稠密分支包括卷积层与池化层中的一种或多种。
本申请实施例还提供一种输电线路通道检测装置，所述装置包括：
部署单元，用于将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
检测单元，用于将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
确定单元，用于若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述步骤：
将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例通过将目标检测模型部署在输电线路通道检测设备，相比于人工检测与无人机检测，可以达到更好的检测效果。此外，本申请实施例通过在输电线路通道检测模型检测图像，只有在确定出图像中存在预先设定的隐患时，才将图像上传至服务器，可以减少输电线路通道检测设备与服务器的通信次数，更好的保证整个系统的良好运行。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种输电线路通道检测方法的流程示意图；
图2为本说明书实施例二提供的一种输电线路通道检测方法的流程示意图；
图3为本说明书实施例二提供的特征级联网络的结构示意图；
图4为本说明书实施例二提供的目标检测模型的结构示意图；
图5为本说明书实施例二提供的目标检测模块的效果图；
图6为本说明书实施例三提供的一种输电线路通道检测装置的结构示意图。
具体实施方式
在现有技术中，存在基于服务器的后端检测方式实现对输电线路通道的检测，但终端装置并不具有目标检测、隐患识别的智能分析功能，只能定时将图像传给监控后台，由后台进行识别分析并进行隐患报警。这其中，在监控终端产生大规模图像数据回传云端服务器，网络带宽与计算吞吐量均成为云计算服务性能瓶颈。输电线路通道绵延上百里，环境错综复杂，每时每刻都可能产生不同的隐患，有实时处理的需求，仅依靠云端服务器计算，不仅会有高延迟还会造成网络拥堵等一系列问题。因此在服务器端进行检测，会产生一定的延迟，不能实时掌握具体的现场情况，使得报警不及时，从而会延误输电线路通道的安全运行。
此外，在现有技术中，也存在基于前端设备的智能分析方式，但由于受到设备本身硬件资源的限制，无法有效利用服务器端的大型复杂模型。深度学习的网络结构越来越复杂，网络参数越来越多，资源需求越来越大，严重阻碍了它在移动设备的可部署性。过大的模型只能在有限的平台下使用，无法移植到移动端和嵌入式芯片当中，大尺寸的模型也对设备功耗和运行速度带来了巨大的挑战。为了能在设备端运行，通常需要将大模型剪裁量化压缩，或直接简化模型结构以适应设备运行需要。而采用模型剪裁压缩技术，往往会引入噪声，无法保证最终检测效果。输电线路通道场景图像幅面较大，而隐患目标在画面中往往占比很小，简化模型直接减少filter(过滤器)数目虽然可以减少参数降低资源占用，但是导致每层产生的feature map(特征图)数目减少，网络的表达能力也会下降不少，对小的隐患目标的识别效果很难保证。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种输电线路通道检测方法的流程示意图，本说明书实施例可以由输电线路通道检测系统执行下述步骤，具体包括：
步骤S101，输电线路通道检测系统将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征。
步骤S102，输电线路通道检测系统将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患。
步骤S103，输电线路通道检测系统若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
本说明书实施例通过将目标检测模型部署在输电线路通道检测设备，相比于人工检测与无人机检测，可以达到更好的检测效果。此外，本申请实施例通过在输电线路通道检测模型检测图像，只有在确定出图像中存在预先设定的隐患时，才将图像上传至服务器，可以减少输电线路通道检测设备与服务器的通信次数，更好的保证整个系统的良好运行。
与本说明书实施例一对应的是，图2为本说明书实施例二提供的一种输电线路通道检测方法的流程示意图，本说明书实施例可以由输电线路通道检测系统执行下述步骤，具体包括：
步骤S201，输电线路通道检测系统构建输电线路通道的样本集，其中，所述样本集包括存在隐患的输电线路通道的图像。
步骤S202，输电线路通道检测系统建立初始的目标检测模型。
在本说明书实施例的步骤S202中，本步骤具体包括：
根据第一预设方式分析所述样本集的目标框，确定出参数值，其中，所述参数值为适配所述目标检测模型的参数，所述目标框为圈定隐患的边框；
根据第二预设方式调整特征级联网络的损失函数，其中，所述损失函数为构成所述特征级联网络的一部分，用于确定预设目标所在目标框的位置；
根据所述参数值以及所述损失函数构建初始的目标检测模型。
需要说明的是，参数值可以为anchor值，所述损失函数可以为bounding box回归损失函数。
需要说明的是，本说明书实施例可以采用K-Means聚类算法分析样本集的目标框分布，确定出anchor值，有利于近景大目标、远景小目标的检测，特别是对既有大目标又有小目标的复杂的图像，适应能力强。每个位置可以设置三个尺度与四个比例，共12个形状的anchor值，以增加anchor值的密度。采用的比例可以为1:1,1:2,2:1以及3:1，采用的尺寸可以为13×13×512，26×26×256，52×52×128。
需要说明的是，本说明书实施例可以采用GIoU算法计算bounding box回归损失函数，可以使得bounding box训练时更能贴合目标，提高定位的准确性。
进一步的，根据第一预设方式分析所述样本集的目标框分布，确定出参数值之前，所述方法还包括：
根据所述特征级联网络的结构调整所述特征级联网络的算子精度，以使所述目标检测模型适配所述特征级联网络的半精度数据。
需要说明的是，本说明书实施例可以通过用半精度运算替代全精度运算来提高效率。深度学习训练的过程其实很大程度是通用矩阵乘法(GEMM)计算的过程。矩阵相乘可以用半精度(FP16)相乘，结果求和(累计)的时候可以用单精度(FP32)，减少在累计的时候造成误差的叠加，最后累计的结果再转成半精度写入内存。在训练时将半精度可以用于正向和反向传播，这个过程在每次训练迭代中重复，直至模型收敛且足以恢复损失的精度，而在实际检测推理时可以直接使用半精度进行计算，并可以针对ARM(Advanced RISCMachines)处理器做Neon并行优化，加速推理速度，从而达到较低内存使用、内存带宽压力更低和更快速执行的优点。其中，Neon是适用于ARM Cortex-A系列处理器的一种128位SIMD(Single Instruction,Multiple Data,单指令、多数据)扩展结构。
需要说明的是，本申请实施例可以根据特征级联网络结构，修改卷积操作，对模型中的各层，针对算子操作适配半精度(FP16)。在输出层输出后，可以将输出立刻转成单精度(FP32)，然后使用单精度计算anchor值与bounding box回归损失函数，最终转换为半精度存储。层与层之间的传输可以通过通用矩阵乘法(GEMM)来实现。
需要说明的是，特征级联网络还包括激活函数，该激活函数可以采用线性整流函数(Rectified Linear Unit,ReLU)，其中，本说明书实施例中的线性整流函数限制最大输出值可以为6。
进一步的，根据所述anchor值以及所述损失函数构建初始的目标检测模型，具体包括：
根据所述预先设定的精度、所述anchor值以及所述损失函数构建初始的目标检测模型。
步骤S203，输电线路通道检测系统根据所述输电线路通道的样本集训练初始的目标检测模型，得出符合预设条件的目标检测模型。
在本说明书实施例的步骤S203中，本步骤具体包括：
将所述样本集中的图像进行处理，确定出预设尺寸的图像；
根据预设尺寸的图像对初始的目标检测模型进行迭代训练，直至初始的目标检测模型符合预先设定的收敛条件，得出所述目标检测模型。预设尺寸可以为416×416。
进一步的，在执行步骤得出符合预设条件的目标检测模型之前，所述方法还可以执行：
根据处理器优化所述目标检测模型；
所述将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型之后，根据优化后的执行流程执行后续操作。
需要说明的是，在本说明书实施例中，处理器优化目标检测模型执行流程时，可以采用ARM NEON，使得目标检测模型可以并行处理多个数据。
步骤S204，输电线路通道检测系统将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征。
在本说明书实施例的步骤S204中，特征级联方式包括级联两路稠密分支及上一层特征级联网络的输出结果，有效保证了特征级联网络的特征表达能力。其中，每路稠密分支包括卷积层与池化层中的一种或多种。
在特征级联网络之后可以加入轻量化的残差块(Resblock)，以确保特征级联网络的特征表达能力。
需要说明的是，本说明书实施例的输电线路通道检测系统可以在MxNet深度学习框架的基础上搭建轻量化特征级联网络。网络层主要包括卷积层、池化层、特征连接层。参见图3，示出了特征级联网络的结构示意图，基于Densenet的轻量化特征级联网络根据输电线路通道隐患目标尺寸的分布特点，可以采用两路密集层来得到不同尺度的感受野，其中一路可以使用一个3×3的卷积核与1个1×1的卷积核，可以较好地捕捉小尺度的目标；另一路可以使用两个3×3的卷积核与1个1×1的卷积核，可以较好地捕捉大尺度的目标，并在每层输入前充分利用上一层特征级联网络的输出结果(feature map)，可以保证了特征级联网络的特征表达能力。并且可以采用K-Means聚类算法分析样本集的目标框分布，确定出anchor值，有利于近景大目标、远景较小目标的检测。特别是对既有大目标又有小目标的复杂的图像，适应能力强。其中，感受野(Receptive Field)的是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图像上映射的区域大小。
此外，为了保证特征表达的有效性，利用该结构级联，可以分别对输入图像可以进行三层的采样特征提取。在每个检测分支的检测层之前，可以加入轻量化的残差块，以确保特征表达能力。根据样本集的尺寸分布，可以设计模型输入尺寸为416×416，最终可以输出尺寸为13×13×512，26×26×256，52×52×128。
步骤S205，输电线路通道检测系统将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患。
步骤S206，输电线路通道检测系统若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
在本说明书实施例的步骤S206中，若输电线路通道检测系统检测出图像中存在预先设置的隐患，可以针对该隐患圈定目标框。
在本说明书实施例的步骤S206中，输电线路通道检测系统主要检测对输电线路通道内的大型施工机械、异物悬挂及烟火等隐患，其中，大型施工机械可以包括塔吊、吊车、挖掘机。上述隐患可以预先在输电线路通道检测系统中进行设置，若图像中并不存在预先设置的隐患，可以不做处理。
若经过输电线路通道检测系统的目标检测模型检测出图像中存在隐患，可以在图像中标记隐患目标，并将标记的图像上传至服务器。
参见图4，示出了目标检测模型的结构示意图，图像经过特征级联网络模块进行特征提取，提取结果经过三个残差块，判断图像是否存在预先设定的隐患，若判断该图像存在预先设定的隐患时，将隐患通过bounding box确定目标框(Box回归)。参见图5，示出了目标检测模块的效果图。
需要说明的是，本说明书实施例中的残差块，也是通用说法，实际就是一种卷积的组合形式。通过残差模块计算后，特征数据更加丰富，利于检测效果。
需要说明的是，输电线路通道长度跨度大，环境错综复杂，每时每刻都可能产生不同的隐患。本说明书实施例可以针对安装在监测终端的摄像机采集设备，定制优化了一种轻量化网络模型，将原本基于算力强大的系统后端服务器的图像智能分析技术迁移到算力较弱且需要低功耗运行的前端现场设备上，由前端设备对采集到的现场图像进行实时智能分析，发现可能存在的隐患时将图像发送到后端服务器进行进一步处理，节省了数据流量传输费用，降低了设备运行功耗，并极大提高了线路巡检实时性。
本说明书实施例通过将目标检测模型部署在输电线路通道检测设备，相比于人工检测与无人机检测，可以达到更好的检测效果。此外，本申请实施例通过在输电线路通道检测模型检测图像，只有在确定出图像中存在预先设定的隐患时，才将图像上传至服务器，可以减少输电线路通道检测设备与服务器的通信次数，更好的保证整个系统的良好运行。
与本说明书实施例二对应的是，图6为本说明书实施例三提供的一种输电线路通道检测装置的结构示意图，具体包括：部署单元1、检测单元2以及确定单元3。
部署单元1用于将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征。
检测单元2用于将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患。
确定单元3用于若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
本说明书实施例通过将目标检测模型部署在输电线路通道检测设备，相比于人工检测与无人机检测，可以达到更好的检测效果。此外，本申请实施例通过在输电线路通道检测模型检测图像，只有在确定出图像中存在预先设定的隐患时，才将图像上传至服务器，可以减少输电线路通道检测设备与服务器的通信次数，更好的保证整个系统的良好运行。
本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述步骤：
将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种输电线路通道检测方法，其特征在于，所述方法包括：
构建输电线路通道的样本集，其中，所述样本集包括存在隐患的输电线路通道的图像；
建立初始的目标检测模型，包括：
调整特征级联网络的算子精度，以使所述目标检测模型适配所述特征级联网络的半精度数据；
根据第一预设方式分析所述样本集的目标框，确定出参数值，其中，所述参数值为适配所述目标检测模型的参数，所述目标框为圈定隐患的边框；
根据第二预设方式调整所述特征级联网络的损失函数，其中，所述损失函数用于确定预设目标所在目标框的位置；
根据所述参数值以及所述损失函数构建初始的目标检测模型；
根据所述输电线路通道的样本集训练所述初始的目标检测模型，得出符合预设条件的目标检测模型；
将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器；
特征级联方式包括级联两路稠密分支及上一层特征级联网络的输出结果，其中，每路稠密分支包括卷积层与池化层中的一种或多种；特征级联网络根据输电线路通道隐患目标尺寸的分布特点，采用两路密集层来得到不同尺度的感受野，其中一路可以使用一个3×3的卷积核与一个1×1的卷积核，以便捕捉小尺度的目标，另一路可以使用两个3×3的卷积核与1个1×1的卷积核，以便捕捉大尺度的目标，并在每层输入前利用上一层特征级联网络的输出结果，以便保证特征级联网络的特征表达能力，采用K-Means聚类算法分析样本集的目标框分布，确定出anchor值，以便近景大目标、远景较小目标的检测，所述特征级联网络为轻量化特征级联网络。
2.根据权利要求1所述的输电线路通道检测方法，其特征在于，所述根据所述参数值以及所述损失函数构建初始的目标检测模型，具体包括：
根据预先设定的精度、所述参数值以及所述损失函数构建初始的目标检测模型。
3.根据权利要求1所述的输电线路通道检测方法，其特征在于，所述参数值为anchor值，所述损失函数为bounding box回归损失函数。
4.根据权利要求1所述的输电线路通道检测方法，其特征在于，所述根据所述输电线路通道的样本集训练初始的目标检测模型，得出符合预设条件的目标检测模型，具体包括：
将所述样本集中的图像进行处理，确定出预设尺寸的图像；
根据所述预设尺寸的图像对初始的目标检测模型进行迭代训练，直至初始的目标检测模型符合预先设定的收敛条件，得出所述目标检测模型。
5.一种输电线路通道检测装置，其特征在于，所述装置包括：
部署单元，用于构建输电线路通道的样本集，其中，所述样本集包括存在隐患的输电线路通道的图像；建立初始的目标检测模型，包括：调整特征级联网络的算子精度，以使所述目标检测模型适配所述特征级联网络的半精度数据；根据第一预设方式分析所述样本集的目标框，确定出参数值，其中，所述参数值为适配所述目标检测模型的参数，所述目标框为圈定隐患的边框；根据第二预设方式调整所述特征级联网络的损失函数，其中，所述损失函数用于确定预设目标所在目标框的位置；根据所述参数值以及所述损失函数构建初始的目标检测模型；根据所述输电线路通道的样本集训练所述初始的目标检测模型，得出符合预设条件的目标检测模型；将预先训练的目标检测模型部署到输电线路通道检测设备，其中，所述目标检测模型包括特征级联网络，所述特征级联网络采用特征级联方式提取目标特征；
检测单元，用于将所述输电线路通道检测设备采集的图像输入到所述输电线路通道检测模型，判断所述图像是否存在预先设置的隐患；
确定单元，用于若判断出所述图像存在预先设置的隐患，将所述图像上传至服务器；特征级联方式包括级联两路稠密分支及上一层特征级联网络的输出结果，其中，每路稠密分支包括卷积层与池化层中的一种或多种；特征级联网络根据输电线路通道隐患目标尺寸的分布特点，采用两路密集层来得到不同尺度的感受野，其中一路可以使用一个3×3的卷积核与一个1×1的卷积核，以便捕捉小尺度的目标，另一路可以使用两个3×3的卷积核与1个1×1的卷积核，以便捕捉大尺度的目标，并在每层输入前利用上一层特征级联网络的输出结果，以便保证特征级联网络的特征表达能力，采用K-Means聚类算法分析样本集的目标框分布，确定出anchor值，以便近景大目标、远景较小目标的检测，所述特征级联网络为轻量化特征级联网络。
6.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至4中任一项所述的方法。
CN202010304250.XA 2020-04-17 2020-04-17 一种输电线路通道检测方法、装置及介质 Active CN111582323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304250.XA CN111582323B (zh) 2020-04-17 2020-04-17 一种输电线路通道检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304250.XA CN111582323B (zh) 2020-04-17 2020-04-17 一种输电线路通道检测方法、装置及介质

Publications (2)

Publication Number Publication Date
CN111582323A CN111582323A (zh) 2020-08-25
CN111582323B true CN111582323B (zh) 2023-06-16

Family

ID=72126725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304250.XA Active CN111582323B (zh) 2020-04-17 2020-04-17 一种输电线路通道检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN111582323B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395980A (zh) * 2020-11-17 2021-02-23 华北电力大学扬中智能电气研究中心 一种输电线路监测方法、装置、设备及介质
CN114792299B (zh) * 2021-01-25 2024-09-20 山东信通电子股份有限公司 一种输电线路异常状态检测方法及装置
CN112528971B (zh) * 2021-02-07 2021-06-04 北京智芯微电子科技有限公司 基于深度学习的输电线路异常目标检测方法及系统
CN113850093B (zh) * 2021-09-08 2024-05-14 中国原子能科学研究院 定位方法、探测设备及存储介质
CN114299359B (zh) * 2021-12-22 2024-05-10 山东浪潮科学研究院有限公司 一种检测输电线路故障的方法、设备及存储介质
CN115100592B (zh) * 2022-06-21 2024-06-28 国网江苏省电力有限公司电力科学研究院 一种输电通道外破隐患识别方法、装置及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403141B (zh) * 2017-07-05 2020-01-10 中国科学院自动化研究所 人脸检测方法及装置、计算机可读存储介质、设备
CN109902697B (zh) * 2017-12-07 2022-10-28 展讯通信(天津)有限公司 多目标检测方法、装置及移动终端
CN109446922B (zh) * 2018-10-10 2021-01-08 中山大学 一种实时鲁棒的人脸检测方法
CN110033453B (zh) * 2019-04-18 2023-02-24 国网山西省电力公司电力科学研究院 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法
CN110598757A (zh) * 2019-08-23 2019-12-20 国网山东省电力公司电力科学研究院 一种输电线路的施工机械隐患检测方法
CN110649506A (zh) * 2019-09-26 2020-01-03 山东信通电子股份有限公司 一种输电线路巡查装置和方法
CN110675395A (zh) * 2019-09-29 2020-01-10 智洋创新科技股份有限公司 输电线路智能在线监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
双锴."物体分类与识别".《计算机视觉》.2020, *

Also Published As

Publication number Publication date
CN111582323A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582323B (zh) 一种输电线路通道检测方法、装置及介质
CN110874550A (zh) 数据处理方法、装置、设备和系统
CN110929543B (zh) 一种气象数据处理方法及装置
CN111523640A (zh) 神经网络模型的训练方法和装置
CN114580263A (zh) 基于知识图谱的信息系统故障预测方法及相关设备
CN116304720B (zh) 一种代价模型训练的方法、装置、存储介质及电子设备
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN116721399B (zh) 一种量化感知训练的点云目标检测方法及装置
CN110633853A (zh) 时空数据预测模型的训练方法、装置及电子设备
Nagaraj et al. Edge-based street object detection
CN115543945B (zh) 一种模型压缩的方法、装置、存储介质及电子设备
CN111443997B (zh) 一种数据异常识别方法及装置
CN117197781A (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN111931920A (zh) 基于级联神经网络的目标检测方法、装置及存储介质
CN110309877A (zh) 一种特征图数据的量化方法、装置、电子设备及存储介质
CN116775438A (zh) 模型测试方法、装置、电子设备及存储介质
CN115100587B (zh) 基于多元数据的区域乱采监测方法及装置
CN112486667B (zh) 一种基于边缘计算精准处理数据的方法及装置
CN116737646A (zh) 基于国产化fpga芯片的无人机智能识别方法
CN118379605B (zh) 一种图像识别大模型的部署方法、装置及存储介质
CN117573118B (zh) 基于草图识别的应用页面生成方法、装置和电子设备
CN116755862B (zh) 一种算子优化调度模型的训练方法、装置、介质及设备
CN118093518B (zh) 模型的处理方法和装置、存储介质及电子设备
Zhao et al. Rapid and accurate object detection on drone based embedded devices with dilated, deformable and pyramid convolution
CN111914923B (zh) 一种基于聚类特征提取的目标分布式识别方法

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
GR01 Patent grant
GR01 Patent grant