CN112528971A - 基于深度学习的输电线路异常目标检测方法及系统 - Google Patents
基于深度学习的输电线路异常目标检测方法及系统 Download PDFInfo
- Publication number
- CN112528971A CN112528971A CN202110174426.9A CN202110174426A CN112528971A CN 112528971 A CN112528971 A CN 112528971A CN 202110174426 A CN202110174426 A CN 202110174426A CN 112528971 A CN112528971 A CN 112528971A
- Authority
- CN
- China
- Prior art keywords
- loss
- target
- transmission line
- deep learning
- network model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及目标检测技术领域,提供一种基于深度学习的输电线路异常目标检测方法、系统及存储介质。所述方法包括:根据预先收集的输电线路通道内的图像数据进行网络模型训练,所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型;采集当前的输电线路通道内的图像数据;利用所述深度学习网络模型对当前的图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。本发明通过对损失函数进行优化来提高目标检测的预测框位置的准确性,从而提升输电线路异常目标检测的精度,降低输电线路异常检测成本。
Description
技术领域
本发明涉及目标检测技术领域,具体地涉及一种基于深度学习的输电线路异常目标检测方法、一种基于深度学习的输电线路异常目标检测系统以及一种存储介质。
背景技术
输电线路是电力系统传输物理媒介,输电线路的安全性至关重要。随着工程建设增多,导致在输电通道内进行机械施工的现象越来越多,大大增加输电线路的安全隐患。而外力破坏是输电线路下最为常见的隐患类型,输电线路下的挖掘机、塔吊、起重机等大型工程车辆极容易因为操作不当等因素对输电线路造成严重破坏。传统的隐患监测手段是通过人工巡检或架设红外传感器、搭建激光雷达等探测装置的方式,例如在杆塔上架设摄像头来监控输电线路周边环境。传统的隐患监测方式需要耗费大量的人力、物力,并且也难以做到全天候实时监控。
目前,基于深度学习的目标检测技术广泛应用,通过采集输电线路通道的图像数据,利用神经网络模型判断图像中是否存在隐患目标,从而实现对输电通道内安全隐患的快速检测,降低输电线路巡检的难度。但是,采集到的输电线路通道的图像均是大场景的野外图像,图像中的施工机械等目标设备在整个图像中占比较小,并且图像的清晰度受光照、天气影响较大,目标设备检测精度较低,严重影响检测的准确性。
发明内容
本发明实施方式的目的是提供一种基于深度学习的输电线路异常目标检测方法及系统,以解决上述的输电线路通道的隐患目标设备检测精度低的问题。
为了实现上述目的,本发明实施方式一方面提供一种基于深度学习的输电线路异常目标检测方法,所述方法包括:
根据预先收集的输电线路通道内的图像数据进行网络模型训练,所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型;
采集当前的输电线路通道内的图像数据;
利用所述深度学习网络模型对当前的图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。
进一步地,所述对目标检测算法的损失函数进行优化,包括:
定义所述损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失;
计算目标框与预测框之间的损失值,根据该损失值计算所述回归损失;
计算所述置信度损失及所述分类损失;
根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。
进一步地,所述损失函数的公式为:
其中,Lbox为回归损失,Lobj为置信度损失,Lcls为分类损失;
其中,S表示网格尺寸,B表示box框的数量,表示若在i,j处的box框有目标,其值为1;若在i,j处的box框没有目标,其值为0;表示若在i,j处的box没有目标,其值为1;若在i,j处的box有目标,其值为0;λcoord表示box框的回归损失权重,λnoobj表示没有目标的损失权重,λobj表示有目前的损失权重,λclass表示分类损失权重;
L β-DIoU 表示目标框与预测框之间的损失值,其计算公式为:
其中,IoU表示交并比,Bc表示预测框,Bgt表示目标框,ρ2(b,bgt)表示预测框的中心点与目标框的中心点之间的距离,c表示包含预测框和目标框的最小矩形的对角线长度,c1表示目标框的对角线长度。
进一步地,所述目标检测算法采用YOLOv3结构,所述深度学习网络模型为Mobilenet网络模型结构。
进一步地,所述方法还包括:在进行网络模型训练之前对所述预先收集的图像数据进行预处理并标注异常目标的类型,采用图像增强方法对预处理后的图像数据进行扩充。
进一步地,所述方法还包括:对所述深度学习网络模型进行量化和剪枝。
本发明的基于深度学习的输电线路异常目标检测方法,通过对损失函数进行优化来提高目标检测的预测框位置的准确性,从而提升输电线路异常目标检测的精度,降低输电线路异常检测成本。
本发明实施方式另一方面提供一种基于深度学习的输电线路异常目标检测系统,所述系统包括:
服务器,用于根据预先收集的输电线路通道内的图像数据进行网络模型训练,所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型;
监控终端,用于采集并传输当前的输电线路通道内的图像数据;
边缘检测设备,与所述监控终端网络连接,并部署有从所述服务器获取的深度学习网络模型;
所述边缘检测设备用于接收所述监控终端传输的图像数据,通过所述深度学习网络模型对所述图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。
进一步地,所述对目标检测算法的损失函数进行优化,包括:
定义所述损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失;
计算目标框与预测框之间的损失值,根据该损失值计算所述回归损失;
计算所述置信度损失及所述分类损失;
根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。
进一步地,所述边缘检测设备还用于在确定当前的输电线路通道内存在异常目标时,将所述异常目标的信息传输到控制中心。
本发明实施方式还提供一种存储介质,其上存储有计算机程序指令,所述计算机程序指令被执行时实现上述的基于深度学习的输电线路异常目标检测方法。
本发明的基于深度学习的输电线路异常目标检测系统,通过服务器对损失函数进行优化并进行网络模型训练得到深度学习网络模型,通过边缘检测设备部署所述深度学习网络模型,对监控终端采集的图像数据进行推理,提升输电线路异常目标检测的精度和准确性,降低输电线路异常检测成本,减少控制中心的网络负荷和数据处理压力。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的基于深度学习的输电线路异常目标检测方法的流程图;
图2是本发明一种实施方式提供的目标检测的目标框与预测框的位置关系示意图;
图3是本发明一种实施方式提供的基于深度学习的输电线路异常目标检测系统的框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的基于深度学习的输电线路异常目标检测方法的流程图。如图1所示,本实施方式提供的基于深度学习的输电线路异常目标检测方法,包括以下步骤:
S1、根据预先收集的输电线路通道内的图像数据进行网络模型训练。所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型。
本实施方式中,目标检测算法采用YOLOv3结构,深度学习网络模型为Mobilenet网络模型结构。YOLOv3是YOLO (You Only Look Once)系列目标检测算法中的第三版,检测精度高,尤其是在尺寸中等偏小的物体上有非常高的准确率。Mobilenet是一种轻量化网络,主要针对移动端设备所设计,通过采用新的卷积方式,采用depth-wise separableconvolutions以达到模型压缩,实现减少参数数量并提升运算速度的目的。本实施方式利用Mobilenet 为backbone,YOLOv3为检测头,对损失函数进行改进优化,提升检测准确率。
图2是本发明一种实施方式提供的目标检测的目标框与预测框的位置关系示意图。如图2所示,左上角的box框表示目标框,右下角的box框表示预测框,c表示包含预测框和目标框的最小矩形的对角线长度,c1表示目标框的对角线长度,d表示目标框的中心点与预测框的中心点之间的距离。考虑到目标框的中心点与预测框的中心点之间具有一定距离,当距离大时损失函数值较大,当距离小时损失函数值较小。损失函数值大说明目标检测的预测框与目标框的位置相距较远,需要对预测框的位置进行调整。因此,通过对损失函数进行优化来提高预测框位置的准确性。
具体的,对损失函数进行优化,包括:
定义损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失,计算公式为:
其中,Lbox为回归损失,Lobj为置信度损失,Lcls为分类损失。
计算目标框与预测框之间的损失值L β-DIoU ,公式为:
其中,IoU表示交并比,Bc表示预测框,Bgt表示目标框,ρ2(b,bgt)表示预测框的中心点与目标框的中心点之间的距离d,c为包含预测框和目标框的最小矩形的对角线长度,c1为目标框的对角线长度。
增加损失值L β-DIoU 可以加快对预测框位置的调整速度,节约训练时间。
因此,根据损失值L β-DIoU 计算回归损失Lbox,公式为:
计算置信度损失Lobj和分类损失Lcls,公式为:
其中,S表示网格尺寸,B表示box框的数量,表示若在i,j处的box框有目标,其值为1;若在i,j处的box框没有目标,其值为0;表示若在i,j处的box没有目标,其值为1;若在i,j处的box有目标,其值为0;λcoord表示box框的回归损失权重,λnoobj表示没有目标的损失权重,λobj表示有目前的损失权重,λclass表示分类损失权重;
根据回归损失Lbox、置信度损失Lobj以及分类损失Lcls得到优化后的损失函数Loss。
采用优化后的损失函数和预先收集的图像数据进行网络模型训练得到深度学习网络模型。
优选的,对得到的深度学习网络模型进行量化和剪枝,减少模型的参数量和计算量。
S2、采集当前的输电线路通道内的图像数据。
S3、利用所述深度学习网络模型对当前的图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。
优选的,在进行推理之前,对采集到的当前图像数据进行预处理,例如图像亮度、对比度处理,以减少环境因素对推理结果的影响。
本实施方式提供的基于深度学习的输电线路异常目标检测方法,还包括:在进行网络模型训练之前对预先收集的图像数据进行预处理(例如删除无施工机械等异常目标的图像),标注异常目标的类型(例如利用labelImg软件对图像进行异常目标标注)。由于目标检测的目标相对输入图像较小,因此采用图像增强方法对预处理后的图像数据进行扩充,例如对图像亮度、饱和度、色度进行调整,图像左右翻转,图像目标随机裁切粘贴,图像旋转。利用增强处理后的图像进行网络模型训练。
本实施方式中,对目标检测网络的回归损失函数进行优化,考虑预测框与真实框(即目标框)之间的物理距离关系,增加的回归损失与预测框和真实框之间的距离成非线性反比关系,当预测框与真实框距离较远时,回归损失较大,当预测框与真实框距离较近时,回归损失较小,以获得准确的目标检测结果。
本实施方式提供的基于深度学习的输电线路异常目标检测方法,通过对损失函数进行优化来提高目标检测的预测框位置的准确性,从而提升输电线路异常目标检测的精度,降低输电线路异常检测成本。此外,针对输入图像易受环境影响的问题,对输入图像进行预处理,降低环境因素对目标检测结果的影响。
图3是本发明一种实施方式提供的基于深度学习的输电线路异常目标检测系统的框图。如图3所示,本实施方式提供的基于深度学习的输电线路异常目标检测系统,包括服务器、监控终端以及边缘检测设备。
所述服务器用于根据预先收集的输电线路通道内的图像数据进行网络模型训练。所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型。具体的,对目标检测算法的损失函数进行优化,包括以下步骤:定义所述损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失;计算目标区域与预测区域之间的损失值,根据该损失值计算所述回归损失;计算所述置信度损失及所述分类损失;根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。损失函数的优化过程及计算公式参照上述的基于深度学习的输电线路异常目标检测方法中的描述,此处不再赘述。
所述监控终端用于采集并传输当前的输电线路通道内的图像数据,例如通过4G网络将采集的图像数据实时传输到边缘检测设备。
所述边缘检测设备与所述监控终端网络连接,并部署有从所述服务器获取的深度学习网络模型。所述边缘检测设备用于接收所述监控终端传输的图像数据,通过所述深度学习网络模型对所述图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。可选的,在进行推理之前,边缘检测设备对采集到的当前图像数据进行预处理,例如图像亮度、对比度处理,以减少环境因素对推理结果的影响。
所述边缘检测设备在确定当前的输电线路通道内存在异常目标时,将所述异常目标的信息传输到控制中心。由于输电线路都处在室外环境,如果监控终端直接将采集的图像数据传输到控制中心,将占用大量的网络带宽资源,还有可能出现数据丢失的现象。本实施方式中,多条输电线路的监控终端可以共享同一个边缘检测设备,监控终端直接通过4G网络传输图像数据到边缘检测设备,利用边缘检测设备对图像数据进行推理,控制中心仅接受边缘检测设备的推理结果信息,减少了控制中心的网络负荷和数据处理压力。
本实施方式提供的基于深度学习的输电线路异常目标检测系统,通过服务器对损失函数进行优化并进行网络模型训练得到深度学习网络模型,通过边缘检测设备部署所述深度学习网络模型,对监控终端采集的图像数据进行推理,提升输电线路异常目标检测的精度和准确性,降低输电线路异常检测成本,减少控制中心的网络负荷和数据处理压力。
本发明实施方式还提供一种存储介质,其上存储有计算机程序指令,所述计算机程序指令被执行时实现上述的基于深度学习的输电线路异常目标检测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于深度学习的输电线路异常目标检测方法,其特征在于,所述方法包括:
根据预先收集的输电线路通道内的图像数据进行网络模型训练,所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型;
采集当前的输电线路通道内的图像数据;
利用所述深度学习网络模型对当前的图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。
2.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法,其特征在于,所述对目标检测算法的损失函数进行优化,包括:
定义所述损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失;
计算目标框与预测框之间的损失值,根据该损失值计算所述回归损失;
计算所述置信度损失及所述分类损失;
根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。
3.根据权利要求2所述的基于深度学习的输电线路异常目标检测方法,其特征在于,所述损失函数的公式为:
其中,Lbox为回归损失,Lobj为置信度损失,Lcls为分类损失;
其中,S表示网格尺寸,B表示box框的数量,表示若在i,j处的box框有目标,其值为1;若在i,j处的box框没有目标,其值为0;表示若在i,j处的box没有目标,其值为1;若在i,j处的box有目标,其值为0;λcoord表示box框的回归损失权重,λnoobj表示没有目标的损失权重,λobj表示有目前的损失权重,λclass表示分类损失权重;
L β-DIoU 表示目标框与预测框之间的损失值,其计算公式为:
其中,IoU表示交并比,Bc表示预测框,Bgt表示目标框,ρ2(b,bgt)表示预测框的中心点与目标框的中心点之间的距离,c表示包含预测框和目标框的最小矩形的对角线长度,c1表示目标框的对角线长度。
4.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法,其特征在于,所述目标检测算法采用YOLOv3结构,所述深度学习网络模型为Mobilenet网络模型结构。
5.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法,其特征在于,所述方法还包括:
在进行网络模型训练之前,对所述预先收集的图像数据进行预处理并标注异常目标的类型,采用图像增强方法对预处理后的图像数据进行扩充。
6.根据权利要求1所述的基于深度学习的输电线路异常目标检测方法,其特征在于,所述方法还包括:
对所述深度学习网络模型进行量化和剪枝。
7.一种基于深度学习的输电线路异常目标检测系统,其特征在于,所述系统包括:
服务器,用于根据预先收集的输电线路通道内的图像数据进行网络模型训练,所述网络模型训练包括:对目标检测算法的损失函数进行优化,利用预先收集的图像数据和优化后的损失函数进行网络模型训练得到深度学习网络模型;
监控终端,用于采集并传输当前的输电线路通道内的图像数据;
边缘检测设备,与所述监控终端网络连接,并部署有从所述服务器获取的深度学习网络模型;
所述边缘检测设备用于接收所述监控终端传输的图像数据,通过所述深度学习网络模型对所述图像数据进行推理,根据推理结果确定当前的输电线路通道内是否存在异常目标。
8.根据权利要求7所述的基于深度学习的输电线路异常目标检测系统,其特征在于,所述对目标检测算法的损失函数进行优化,包括:
定义所述损失函数,所述损失函数的参数包括回归损失、置信度损失及分类损失;
计算目标框与预测框之间的损失值,根据该损失值计算所述回归损失;
计算所述置信度损失及所述分类损失;
根据所述回归损失、所述置信度损失以及所述分类损失得到所述优化后的损失函数。
9.根据权利要求7所述的基于深度学习的输电线路异常目标检测系统,其特征在于,所述边缘检测设备还用于在确定当前的输电线路通道内存在异常目标时,将所述异常目标的信息传输到控制中心。
10.一种存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被执行时实现权利要求1-6中任一项所述的基于深度学习的输电线路异常目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174426.9A CN112528971B (zh) | 2021-02-07 | 2021-02-07 | 基于深度学习的输电线路异常目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174426.9A CN112528971B (zh) | 2021-02-07 | 2021-02-07 | 基于深度学习的输电线路异常目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528971A true CN112528971A (zh) | 2021-03-19 |
CN112528971B CN112528971B (zh) | 2021-06-04 |
Family
ID=74975600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174426.9A Active CN112528971B (zh) | 2021-02-07 | 2021-02-07 | 基于深度学习的输电线路异常目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528971B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313032A (zh) * | 2021-05-31 | 2021-08-27 | 广东电网有限责任公司 | 一种输电线路外力破坏异常目标的检测算法及相关装置 |
CN113486936A (zh) * | 2021-06-28 | 2021-10-08 | 国网宁夏电力有限公司电力科学研究院 | 输电线设备覆冰检测方法、装置、系统及存储介质 |
CN113705364A (zh) * | 2021-08-04 | 2021-11-26 | 山东和兑智能科技有限公司 | 基于人工智能的输电线路外部隐患预警系统及方法 |
CN113792578A (zh) * | 2021-07-30 | 2021-12-14 | 北京智芯微电子科技有限公司 | 用于变电站异常的检测方法、设备及系统 |
CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
CN114240946A (zh) * | 2022-02-28 | 2022-03-25 | 南京智莲森信息技术有限公司 | 一种定位器异常检测方法、系统、存储介质及计算设备 |
CN115100592A (zh) * | 2022-06-21 | 2022-09-23 | 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 |
CN117237363A (zh) * | 2023-11-16 | 2023-12-15 | 国网山东省电力公司曲阜市供电公司 | 一种输电线路外破源识别方法、系统、介质及设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109712127A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN110059672A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法 |
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
CN111524135A (zh) * | 2020-05-11 | 2020-08-11 | 安徽继远软件有限公司 | 基于图像增强的输电线路细小金具缺陷检测方法及系统 |
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
CN111695562A (zh) * | 2020-05-26 | 2020-09-22 | 浙江工业大学 | 一种基于卷积神经网络的机器人自主抓取方法 |
CN112053325A (zh) * | 2020-08-12 | 2020-12-08 | 华东交通大学 | 一种乳腺肿块图像处理和分类系统 |
US20200395117A1 (en) * | 2019-06-14 | 2020-12-17 | Cycle Clarity, LLC | Adaptive image processing method and system in assisted reproductive technologies |
CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
-
2021
- 2021-02-07 CN CN202110174426.9A patent/CN112528971B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及系统 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN108961235A (zh) * | 2018-06-29 | 2018-12-07 | 山东大学 | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 |
CN109712127A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
CN110059672A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法 |
US20200395117A1 (en) * | 2019-06-14 | 2020-12-17 | Cycle Clarity, LLC | Adaptive image processing method and system in assisted reproductive technologies |
CN111444809A (zh) * | 2020-03-23 | 2020-07-24 | 华南理工大学 | 一种基于改进YOLOv3的输电线路异常目标检测方法 |
CN111582323A (zh) * | 2020-04-17 | 2020-08-25 | 山东信通电子股份有限公司 | 一种输电线路通道检测方法、装置及介质 |
CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
CN111524135A (zh) * | 2020-05-11 | 2020-08-11 | 安徽继远软件有限公司 | 基于图像增强的输电线路细小金具缺陷检测方法及系统 |
CN111695562A (zh) * | 2020-05-26 | 2020-09-22 | 浙江工业大学 | 一种基于卷积神经网络的机器人自主抓取方法 |
CN112053325A (zh) * | 2020-08-12 | 2020-12-08 | 华东交通大学 | 一种乳腺肿块图像处理和分类系统 |
CN112199993A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
CN112287788A (zh) * | 2020-10-20 | 2021-01-29 | 杭州电子科技大学 | 基于改进YOLOv3和改进NMS的行人检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313032A (zh) * | 2021-05-31 | 2021-08-27 | 广东电网有限责任公司 | 一种输电线路外力破坏异常目标的检测算法及相关装置 |
CN113486936A (zh) * | 2021-06-28 | 2021-10-08 | 国网宁夏电力有限公司电力科学研究院 | 输电线设备覆冰检测方法、装置、系统及存储介质 |
CN113792578A (zh) * | 2021-07-30 | 2021-12-14 | 北京智芯微电子科技有限公司 | 用于变电站异常的检测方法、设备及系统 |
CN113705364A (zh) * | 2021-08-04 | 2021-11-26 | 山东和兑智能科技有限公司 | 基于人工智能的输电线路外部隐患预警系统及方法 |
CN113705364B (zh) * | 2021-08-04 | 2022-03-11 | 山东和兑智能科技有限公司 | 基于人工智能的输电线路外部隐患预警系统及方法 |
CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
CN114240946A (zh) * | 2022-02-28 | 2022-03-25 | 南京智莲森信息技术有限公司 | 一种定位器异常检测方法、系统、存储介质及计算设备 |
CN114240946B (zh) * | 2022-02-28 | 2022-12-02 | 南京智莲森信息技术有限公司 | 一种定位器异常检测方法、系统、存储介质及计算设备 |
CN115100592A (zh) * | 2022-06-21 | 2022-09-23 | 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 |
CN117237363A (zh) * | 2023-11-16 | 2023-12-15 | 国网山东省电力公司曲阜市供电公司 | 一种输电线路外破源识别方法、系统、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112528971B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528971B (zh) | 基于深度学习的输电线路异常目标检测方法及系统 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111414807B (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN111862013A (zh) | 基于深度卷积神经网络的绝缘子检测方法、装置及设备 | |
CN111027491A (zh) | 一种基于无锚点机制的火焰检测方法及装置 | |
CN114266299A (zh) | 基于无人机作业的铁路桥梁钢结构缺陷检测方法及系统 | |
CN111832398A (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN114863118A (zh) | 一种基于输电线路外部隐患自学习识别系统、方法 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN113393459A (zh) | 基于实例分割的红外图像光伏组件视觉识别方法 | |
CN115457412A (zh) | 一种基于Faster-rIR7-EC的混凝土裂缝快速识别方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN115912183B (zh) | 高压输电线路生态措施巡视方法、系统及可读存储介质 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN115690084A (zh) | 一种基于改进yolov5的面向复杂场景的安全帽检测方法 | |
CN112233071A (zh) | 基于复杂环境下输电网图片的多粒度隐患检测方法及系统 | |
CN110728202A (zh) | 一种输电导线异物检测方法、终端及系统 | |
CN104168473B (zh) | 一种视频图像的横波干扰的检测方法及装置 | |
CN117670755B (zh) | 一种吊钩防脱装置检测方法、装置、存储介质及电子设备 | |
CN117152598A (zh) | 基于图像识别的输电线路基建现场风险识别方法及系统 | |
CN117649374A (zh) | 一种变电站销钉缺失的智能检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |