CN112149579A - 一种基于改进yolo_v3的鸟巢隐患检测方法 - Google Patents
一种基于改进yolo_v3的鸟巢隐患检测方法 Download PDFInfo
- Publication number
- CN112149579A CN112149579A CN202011021047.8A CN202011021047A CN112149579A CN 112149579 A CN112149579 A CN 112149579A CN 202011021047 A CN202011021047 A CN 202011021047A CN 112149579 A CN112149579 A CN 112149579A
- Authority
- CN
- China
- Prior art keywords
- bird nest
- hidden danger
- detection method
- information
- yolo
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B3/00—Audible signalling systems; Audible personal calling systems
- G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进yolo_v3的鸟巢隐患检测方法,包括信息采集步骤,信息分析步骤,以及监控报警步骤,所述信息采集步骤为通过无人机获取高清图像,所述信息分析步骤为通过计算机对所述图像进行识别分析,所述监控报警步骤为对所述信息分析步骤得到的结果进行展示并报警。该方法基于计算机视觉技术进行图像识别,对输电线路铁塔上的鸟巢进行检测,提高了鸟巢的检出几率,为避免鸟巢造成的输电线路跳闸事件提供支撑。
Description
技术领域
本发明涉及图像识别领域,具体涉及到一种基于改进yolo_v3的鸟巢隐患检测方法。
背景技术
目标检测是计算机视觉领域的基本任务之一,目前已从学术界的研究发展至工业界的应用。近些年随着深度学习技术的快速发展,目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
目前针对输电线路铁塔上鸟巢隐患进行有效检测与识别的方法是基于HSV颜色特征量方法。基于HSV颜色特征量原理是搜索符合鸟巢样本的HSV颜色特征量的连通区域,作为候选的鸟巢区域,分析候选鸟巢区域的形状特征参数,描述鸟巢粗糙度的灰度方差特征量,描述鸟巢纹理的惯性矩特征量,具体如图1所示。由于能够搜集到的鸟巢样本数据有限,即可以比对的标准数据特征量有限,且采集和计算出的HSV颜色特征量和实际分布有偏差,导致这种方法存在两个问题:(1)容易出现较多的多检(例如树林中的鸟巢)和误检(例如将颜色相近的土推判定为鸟巢);(2)容易将铁塔区域外的鸟巢也判定为隐患。
发明内容
为解决上述现有技术中的问题,为避免鸟巢造成的输电线路跳闸事件提供支撑,本发明提供了一种基于改进yolo_v3的鸟巢隐患检测方法。
本发明的技术解决方案是:
一种基于改进yolo_v3的鸟巢隐患检测方法,包括信息采集步骤,信息分析步骤,以及监控报警步骤,所述信息采集步骤为通过无人机获取高清图像,所述信息分析步骤为通过计算机对所述图像进行识别分析,所述监控报警步骤为对所述信息分析步骤得到的结果进行展示并报警。
本发明的有益效果是:通过改进yolo_v3的鸟巢对图像识别,对鸟巢、铁塔进行定位及综合判断,从而大幅降低了鸟巢的多检和误检,提高了真正对输电线路安全有威胁的鸟巢隐患的检出几率,为避免鸟巢造成的输电线路跳闸事件提供支撑。
进一步的,所述信息分析步骤为采用改进yolo_v3算法对所述图像进行识别分析。
进一步的,所述信息分析步骤还包括以下步骤:
S1:基于输电线路铁塔上鸟巢图像数据的分布特点,提出一种改进yolo_v3模型;
S2:无人机拍摄高清图像,并将该图像输入S1中得到的改进yolo_v3模型;
S3:将S2中得到的图像划分成为S×S的格栅,并判断每个格栅中是否存在物体的中心;
S4:每个格栅负责检测中心落在该格栅内的物体的坐标位置、类别、准确度,得到鸟巢位置信息、铁塔位置信息。
S5:逻辑判断,即根据S4中检测得到的鸟巢位置信息、铁塔位置信息,判断是否存在鸟巢隐患。
进一步的,所述步骤S3中的改进yolo_v3采用适用于高分辨率、大感受野骨干网络的空洞卷积。
进一步的,所述步骤S3中的格栅为 6×6的格栅。
进一步的,所述步骤S4中,当检测得到鸟巢位置信息位于铁塔位置信息以内时,将此鸟巢判断为鸟巢隐患,所述监控报警步骤报警。
进一步的,所述步骤S4中检测得到的准确度≥70%时,启动步骤S5;所述步骤S4中检测得到的准确度≤50%时,不启动步骤S5;所述步骤S4中检测得到的准确度在50%-70%之间时,将重复检测过程,重复检测3次,取3次检测准确度的平均值,若平均值≥50%,则启动步骤S5。
本发明基于计算机视觉技术进行图像识别,对输电线路铁塔上的鸟巢进行检测,提高了鸟巢的检出几率,为避免鸟巢造成的输电线路跳闸事件提供支撑。
附图说明
图1是本发明现有技术的示意图。
图2是本发明实施例的流程示意图。
图3是本发明实施例中信息分析步骤的流程图。
图4是本发明实施例中改进yolo_v3的结构图。
图5是本发明实施例中信息分析步骤组成示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例中,如图2和图3所示:一种基于改进yolo_v3的鸟巢隐患检测方法,包括:
信息采集步骤:通过无人机获取视频,所述无人机可以调节镜头焦距,并依据现场环境调整其拍摄位置,从而提供高质量的待检图像。
信息分析步骤:通过计算机对所述视频进行识别分析,这是核心步骤,主要是对信息采集步骤得到的图像进行处理。将无人机拍摄到的图像存储并输入改进yolo_v3进行识别分析,当分析得到的结果落入预先设置好的视为有鸟巢隐患发生的参数范围内时,启动监控报警步骤。该步骤可以通过一台高性能的服务器来实现。
监控报警步骤:对所述信息分析步骤得到的结果进行展示并报警。监控管理步骤是人机交互的步骤,可以将信息分析步骤的结果以图像形式展现出来,并发出声音示警。
实施例中,如图4和5所示,所述信息分析步骤为采用YOLO算法对所述视频进行识别分析,包括以下步骤:
S1:基于输电线路铁塔上鸟巢图像数据的分布特点,提出一种改进yolo_v3模型;
S2:无人机拍摄高清图像,并将该图像输入S1中得到的改进yolo_v3模型;
S3:将S2中得到的图像划分成为S×S的格栅,并判断每个格栅中是否存在物体的中心;
S4:每个格栅负责检测中心落在该格栅内的物体的坐标位置、类别、准确度,得到鸟巢位置信息(1)、铁塔位置信息(2)。
S5:逻辑判断,即根据S4中检测得到的鸟巢位置信息(1)、铁塔位置信息(2),判断是否存在鸟巢隐患。
当所述步骤S1采用适用于高分辨率、大感受野骨干网络的空洞卷积可更加准确判断目标的位置和语义特征。
当所述步骤S2中格栅为6×6的格栅时,检测的准确度较高。
当所述步骤S4中,由步骤S3检测得出图像内同时存在铁塔和鸟巢,并且判断得出鸟巢位于铁塔内,则视为鸟巢隐患存在。具体的,所述步骤S4中所述鸟巢与铁塔的交并面积大于鸟巢面积的80%时,判定此鸟巢位于铁塔内,所述监控报警步骤启动并报警。
实施例中,由于光线、遮挡物、天气等因素的影响,导致所述步骤S4中的格栅在检测落在该格栅内的物体信息时,存在误差,准确率达不到100%。经过实验得出,所述步骤S4中检测得到的准确度≥70%时,启动步骤S5;所述步骤S4中检测得到的准确度≤50%时,不启动步骤S5;所述步骤S4中检测得到的准确度在50%-70%之间时,将重复检测过程,重复检测3次,取3次检测准确度的平均值,若平均值≥50%,则启动步骤S5。
显然,本发明的上述实施例仅仅是为了说明本发明所作的举例,而并非对本发明的实施方式的限定。属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。
Claims (6)
1.一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:包括信息采集步骤、信息分析步骤以及监控报警步骤;所述信息采集步骤为通过无人机获取高清图像,所述信息分析步骤为通过计算机对所述图像进行识别分析,所述监控报警步骤为对所述信息分析步骤得到的结果进行展示并报警。
2.根据权利要求1所述的一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:所述信息分析步骤为采用改进yolo_v3算法对所述视频进行识别分析。
3.根据权利要求2所述的一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:所述信息分析步骤包括以下步骤:
S1:基于输电线路铁塔上鸟巢图像数据的分布特点,提出一种改进yolo_v3模型;
S2:无人机拍摄高清图像,并将该图像输入S1中得到的改进yolo_v3模型;
S3:将S2中得到的图像划分成为S×S的格栅,并判断每个格栅中是否存在物体的中心;
S4:每个格栅负责检测中心落在该格栅内的物体的坐标位置、类别、准确度,得到鸟巢位置信息、铁塔位置信息;
S5:逻辑判断,即根据S4中检测得到的鸟巢位置信息、铁塔位置信息,判断是否存在鸟巢隐患。
4.根据权利要求3所述的的一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:采用适用于高分辨率、大感受野骨干网络的空洞卷积。
5.根据权利要求3所述的一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:所述步骤S4中,当检测得到鸟巢位置信息位于铁塔位置信息以内时,将此鸟巢判断为鸟巢隐患,所述监控报警步骤报警。
6.根据权利要求3所述的一种基于改进yolo_v3的鸟巢隐患检测方法,其特征是:所述步骤S4中检测得到的准确度≥70%时,启动步骤S5;所述步骤S4中检测得到的准确度≤50%时,不启动步骤S5;所述步骤S4中检测得到的准确度在50%~70%之间时,将重复检测过程,重复检测3次,取3次检测准确度的平均值,若平均值≥50%,则启动步骤S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021047.8A CN112149579A (zh) | 2020-09-25 | 2020-09-25 | 一种基于改进yolo_v3的鸟巢隐患检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021047.8A CN112149579A (zh) | 2020-09-25 | 2020-09-25 | 一种基于改进yolo_v3的鸟巢隐患检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149579A true CN112149579A (zh) | 2020-12-29 |
Family
ID=73896953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021047.8A Pending CN112149579A (zh) | 2020-09-25 | 2020-09-25 | 一种基于改进yolo_v3的鸟巢隐患检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115299428A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司南通供电分公司 | 一种基于深度学习的物联网智能驱鸟系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
CN111507249A (zh) * | 2020-04-16 | 2020-08-07 | 浙江华云信息科技有限公司 | 基于目标检测的变电站鸟窝识别方法 |
-
2020
- 2020-09-25 CN CN202011021047.8A patent/CN112149579A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104906A (zh) * | 2019-12-19 | 2020-05-05 | 南京工程学院 | 一种基于yolo的输电塔鸟巢故障检测方法 |
CN111507249A (zh) * | 2020-04-16 | 2020-08-07 | 浙江华云信息科技有限公司 | 基于目标检测的变电站鸟窝识别方法 |
Non-Patent Citations (2)
Title |
---|
杨波,等: "改进实时目标检测算法的电力巡检鸟巢检测", 《电气技术》 * |
王若霄,等: "跨深度的卷积特征增强目标检测算法", 《计算机工程与设计》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115299428A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司南通供电分公司 | 一种基于深度学习的物联网智能驱鸟系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461078B (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN111523397B (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN108010242B (zh) | 一种基于视频识别的安防报警方法、系统及存储介质 | |
CN104077872A (zh) | 一种基于图像识别的输电线路防外力监控预警方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN114419537A (zh) | 一种基于深度学习的输电线路告警方法和装置 | |
CN112149579A (zh) | 一种基于改进yolo_v3的鸟巢隐患检测方法 | |
CN112465747A (zh) | 一种输电杆塔金具锈蚀的智能识别方法 | |
CN113160220A (zh) | 一种基于深度学习的检测门把手归位和弯曲的方法 | |
CN113240028A (zh) | 一种基于类激活图的对抗样本块攻击检测方法 | |
CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
CN115810161A (zh) | 一种变电站火灾识别方法及系统 | |
CN117636601A (zh) | 一种基于面场景形变信息的智能预警方法 | |
CN110263661B (zh) | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 | |
CN115908338B (zh) | 基于三维点云的电力设施与入侵物距离检测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |