CN113469014A - 一种基于深度学习的输电线路鸟类隐患防治方法 - Google Patents
一种基于深度学习的输电线路鸟类隐患防治方法 Download PDFInfo
- Publication number
- CN113469014A CN113469014A CN202110722766.0A CN202110722766A CN113469014A CN 113469014 A CN113469014 A CN 113469014A CN 202110722766 A CN202110722766 A CN 202110722766A CN 113469014 A CN113469014 A CN 113469014A
- Authority
- CN
- China
- Prior art keywords
- bird
- birds
- power transmission
- transmission line
- hidden danger
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 230000002265 prevention Effects 0.000 title description 10
- 230000001846 repelling effect Effects 0.000 claims abstract description 28
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 9
- 210000003608 fece Anatomy 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000007635 classification algorithm Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 3
- 241000271566 Aves Species 0.000 description 95
- 241000894007 species Species 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 241000287127 Passeridae Species 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 235000005770 birds nest Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000005765 wild carrot Nutrition 0.000 description 4
- 241000272201 Columbiformes Species 0.000 description 3
- 241000272184 Falconiformes Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241000272814 Anser sp. Species 0.000 description 2
- 235000015265 Iris pallida Nutrition 0.000 description 2
- 240000004101 Iris pallida Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000011090 bird disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Catching Or Destruction (AREA)
Abstract
一种基于深度学习的输电线路鸟类隐患防治方法。本发明通过输电线路所安装智能监控装置实时采集输电线路上鸟类的图像，并通过内部加载的算法实现对存在的鸟类隐患问题及时预警，从而这减少了输电线路运检的工作量；同时也提高了隐患识别的准确性和实时性，即通过细粒度图像分类算法对鸟类隐患对应的鸟的种类进行准确区分；还通过识别鸟类的数量为后续采用驱鸟手段做基础准备。本发明有效地识别鸟类隐患，进而采取防治措施，保证输电安全。
Description
技术领域
本发明公开了一种基于深度学习的输电线路鸟类隐患防治方法，属于输电线路智能运检的技术领域。
背景技术
输电线路是我国重要的基础设施，确保输电线路安全是实现各地区正常用电的重要一环。然而输电线路覆盖范围广，同时有些线路所处环境复杂，这些情况都加大了输电线路运检的难度。伴随着人工智能的发展，基于深度学习的目标检测技术为输电线路运检带来了新的可能。随着深度学习的兴起，从神经网络中自动获得的特征，比人工特征具有更强大的描述能力。鸟类对输电线路而言，存在很大隐患，鸟巢、鸟粪和大型鸟都可能造成线路故障，影响输电安全。因此，怎样将神经网络应用于输电线路识别鸟患成为本技术领域所要解决的技术问题之一。
对此，本技术领域公开的文献如下：
2019年3月公开的适用于移动端的输电线路鸟类检测算法研究，作者崔文超，其文献采用YOLO v3模型对输电线路的鸟类进行检测，为了使其可应用于移动端以实现鸟类检测的实时性，将YOLO v3模型的基础网络darknet-53替换成对小目标检测表现更加优异的MobileNet[18]，来提高鸟类检测的准确性。经实验验证，采用这种方式改进的YOLO v3模型对输电线路鸟类进行检测，能够在精度损失较小的情况下极大地提升检测速度，从而能够实现实时驱鸟。
南昌大学专硕论文公开了基于图像处理与支持向量机的输电线路相关鸟种智能识别，作者陈林波，其中记载的是利用支持向量机对涉鸟故障的鸟类进行分类，是基于结构风险最小化原则,是针对小样本统计的结论，在样本多变化的环境，采用支持向量机的方法对大规模训练样本难以实施，并且SVM算法对参数和核函数的选择敏感。
中国专利文献CN110037004A公开了一种用于输电线路的防鸟害装置和人工鸟巢一体化系统，包括防鸟装置、人工鸟巢和后台处理装置；防鸟装置包括声驱装置、机械驱赶装置、第一摄像装置、电源装置、第一信号传输装置和中央控制装置，第一摄像装置用于拍摄输电线路上鸟类的第一鸟类图像，并第一鸟类图像传输至中央控制装置进行鸟类识别，中央控制装置用于根据鸟类识别结果控制声驱装置和/或机械驱赶装置的工作状态，并将第一鸟类图像传输至后台处理装置；人工鸟巢包括巢箱主体，巢箱主体上设有第二摄影识别装置，第二摄影识别装置用于拍摄进入巢箱主体内鸟类的第二鸟类图像，并将第二鸟类图像传输至后台处理装置。可以看出现有技术已经开始有人关注到利用中央控制装置对采集到的鸟类图像进行鸟类识别，但是该专利文献中并未就采用何种算法对鸟类进行识别的，又利用何种方法对鸟患进行区分处置的。
中国专利文献CN205489768U公开一种电力设备用感应式在线视频监控智能驱鸟装置﹐包括感应装置﹑发波装置﹑发声装置、发光装置﹑摄影成像系统、智能控制系统、通讯系统和电源模块,感应装置感应到感应范围内有鸟之后发送信号给智能控制系统，智能控制系统处理摄影成像系统拍摄的鸟的图像，并判断所拍摄的鸟的种类,根据鸟的种类启动发波装置、发声装置或发光装置中的至少一种驱赶鸟类,感应装置感应到感应范围内没有鸟之后发送信号给智能控制系统，智能控制系统关闭发波装置、发声装置和发光装置,针对不同鸟类选择不同驱鸟方式,效率大大提高。本专利文献也是存在此类问题，即虽然公开了智能控制系统处理摄影成像系统拍摄的鸟的图像，并判断所拍摄的鸟的种类，但是具体这样判断的，或者采用何种算法和方法并未记载。
综上，现有技术中还未就怎样准确辨识输电线路中的鸟患对应的算法进行记载，此技术问题是现有输电线路智能运检的关键因素之一。
发明内容
针对现有技术的不足，如何提供一种准确、高效的鸟类隐患识别及防治方法，来避免鸟类隐患引起的输电线路事故，是目前本领域技术人员亟待解决的问题。
本发明公开一种基于深度学习的输电线路鸟类隐患防治方法。本发明通过输电线路所安装智能监控装置实时采集输电线路上鸟类的图像，并通过内部加载的算法实现对存在的鸟类隐患问题及时预警，从而这减少了输电线路运检的工作量；同时也提高了隐患识别的准确性和实时性，即通过细粒度图像分类算法对鸟类隐患对应的鸟的种类进行准确区分；还通过识别鸟类的数量为后续采用驱鸟手段做基础准备。
发明概述：
一种基于深度学习的输电线路鸟类隐患防治方法，通过目标检测模型，检测出输电线路鸟类隐患图像，按目标框截取鸟的图像，进行细粒度分类，有效地识别鸟类隐患，进而采取防治措施，保证输电安全。
本发明详细的技术方案如下：
一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，包括：
S1:收集输电线路监拍装置的图像数据，采用Cascade R-CNN模型训练目标检测模型，相较于其他的目标检测模型，Cascade R-CNN通过级联几个检测网络达到不断优化预测结果的目的，可以更准确地识别输电通道鸟类隐患，然后利用所述目标检测模型对输电线路的实时图像进行鸟类识别，即将所述图像中包含的鸟类及时识别出来；针对单张图像中的鸟类数量进行统计：当鸟类数量大于预设的阈值时，则控制驱鸟作业，此步骤用于有效识别鸟群；
S2:根据已有鸟类图像数据，训练细粒度分类模型，利用细粒度分类模型对识别到的鸟类进行种类归类，根据所述鸟的种类对应的体型划分为：大型鸟类和小型鸟类：当识别出单张图像中包含单只所述大型鸟类时，则控制驱鸟作业，此时不再考虑鸟的数量，直接进行驱离操作，其中，将鸟类细分为大型鸟类和小型鸟类，大型鸟类如：鹰、大雁、黑翅鸢等；小型鸟类如：麻雀、燕子、鸽子等。对于鸟类图像进行识别类别时所采用的方法，相较于SVM算法，本发明所述基于深度学习的细粒度分类算法更有优势，其原因在于，所述SVM算法对大规模训练样本难以实施，并且SVM算法对参数和核函数的选择敏感。而从深度卷积神经网络中所提取的特征，比人工特征拥有更强大的描述能力，将深度卷积特征运用到细粒度分类中，能够取得更好的效果。通过输电线路监拍装置获得输电线路的实时图像，将实时图像输入到训练好的目标检测模型，得到识别结果，获得鸟类隐患图像数据针对鸟群或大型鸟类及时准确地采取驱逐措施，并确定该线路区域是否容易产生鸟粪危害。
根据本发明优选的，预先收集输电线路涉鸟事故中相关鸟的种类数据，并将其归为隐患鸟类，当所述识别到的鸟的种类为所述隐患鸟类时，则控制驱鸟作业。
根据本发明优选的，当识别到鸟的种类与电线路涉鸟事故中相关鸟的种类体型相同时，对识别到的鸟的种类进行记录。优选的，所述输电线路涉鸟事故中相关鸟的种类数据是不断更新的。相较于危害较小的小型鸟类，大型鸟类和隐患鸟类都需要及时驱逐，避免破坏输电线路。同时本发明的准确性和实时性均满足了输电线路上鸟类隐患防治的实际需求。
根据本发明优选的，所述步骤S2中，根据输电线路监拍装置所安装的区域不同，预先收集该区域相应的鸟的种类数据，训练细粒度分类模型；该步骤的目的不但在于将所述识别出的鸟类进行种类归纳，还可以根据输电线路监拍装置所处的地理位置区域的不同，对区域内长期生存的鸟的种类数据进行优先推送以供识别对比，为准确识别鸟的种类做充分的数据准备，优选的，所述该区域相应的鸟的种类数据是不断更新的。预先收集该区域相应的鸟的种类数据是通过当地林业部门收集相应的鸟类数据，也可通过其它数据渠道收集输电线路监拍装置所安装的区域内生存的鸟的种类数据。
根据本发明优选的，所述步骤S1的具体方法包括：
S11：为了提高目标检测准确率，需要收集输电通道的鸟类数据，构建样本库；
S12：标注输电通道的鸟类图像，采用Cascade R-CNN模型训练目标检测模型：
1)借助MMDetection目标检测开源工具箱；
2)主干网络采用采用101层的深度残差网络ResNet101；
3)目标检测模型使用不同的IOU阈值，训练了多个级联的检测器，达到不断优化预测结果的目的。
根据本发明优选的，所述步骤S1中预设的阈值为3，通过鸟类目标识别数量，区分鸟和鸟群，以图像中存在的鸟类数目判断，选取3为区分值；当鸟类数量大于预设的阈值时，同时提示或者控制定期清理输电线路的鸟粪。
根据本发明优选的，所述驱鸟作业包括：提前针对不同鸟的种类对应录制其天敌的驱鸟音频，在进行驱鸟作业时进行循环播放，直至输电线路上的鸟或鸟群消失。
本发明具有以下有益效果：
1)本发明公开了一种基于深度学习的输电线路鸟类隐患防治方法，提出了基于深度学习的目标检测算法和分类算法识别鸟类隐患，实现了准确实时地识别鸟类隐患，并根据不同的鸟类及时采取相应的防治措施，避免鸟类隐患可能引起的输电线路事故。
2)本发明使用Cascade R-CNN目标检测算法，主干网络为ResNet101，使用不同的IOU阈值，训练了多个级联的检测器，相较于其他目标检测模型，提高了准确率，并且能快速识别出鸟类隐患，满足实时性和准确性要求。
3)本发明使用细粒度分类算法，可以区分大型鸟类和小型鸟类，识别输电线路涉鸟事故中的隐患鸟类，提高了对鸟类隐患处理的针对性，节约了人力物力成本。
附图说明
图1是本发明所述基于深度学习的输电线路鸟类隐患防治方法的流程图；
图2是本发明实施例中利用所述目标检测模型识别的鸟群图像示意图；
图3是本发明实施例中利用目标检测模型识别到的小型鸟类图像示意图；
图4是本发明实施例中利用目标检测模型识别到的大型鸟类图像示意图；
图5是本发明实施例中截取到的小型鸟类，即麻雀图像示意图；
图6是本发明实施例中截取到的大型鸟类，即鹰图像示意图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。
如图1所示。
实施例1、
一种基于深度学习的输电线路鸟类隐患防治方法，包括：
S1:收集输电线路监拍装置的图像数据，采用Cascade R-CNN模型训练目标检测模型，相较于其他的目标检测模型，Cascade R-CNN通过级联几个检测网络达到不断优化预测结果的目的，可以更准确地识别输电通道鸟类隐患，然后利用所述目标检测模型对输电线路的实时图像进行鸟类识别，即将所述图像中包含的鸟类及时识别出来；针对单张图像中的鸟类数量进行统计：当鸟类数量大于预设的阈值时，则控制驱鸟作业；
所述步骤S1的具体方法包括：
S11：为了提高目标检测准确率，需要收集输电通道的鸟类数据，构建样本库；
S12：标注输电通道的鸟类图像，采用Cascade R-CNN模型训练目标检测模型：
1)借助MMDetection目标检测开源工具箱；
2)主干网络采用采用101层的深度残差网络ResNet101；
3)目标检测模型使用不同的IOU阈值，训练了多个级联的检测器，达到不断优化预测结果的目的。
S2:根据已有鸟类图像数据，训练细粒度分类模型，利用细粒度分类模型对识别到的鸟类进行种类归类，根据所述鸟的种类对应的体型划分为：大型鸟类和小型鸟类：当识别出单张图像中包含单只所述大型鸟类时，则控制驱鸟作业，此时不再考虑鸟的数量，直接进行驱离操作，其中，将鸟类细分为大型鸟类和小型鸟类，大型鸟类如：鹰、大雁、黑翅鸢等；小型鸟类如：麻雀、燕子、鸽子等。
所述步骤S1中预设的阈值为3，通过鸟类目标识别数量，区分鸟和鸟群，以图像中存在的鸟类数目判断，选取3为区分值；当鸟类数量大于预设的阈值时，同时提示或者控制定期清理输电线路的鸟粪。
所述驱鸟作业包括：提前针对不同鸟的种类对应录制其天敌的驱鸟音频，在进行驱鸟作业时进行循环播放，直至输电线路上的鸟或鸟群消失。
实施例2、
如实施例1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其区别在于，预先收集输电线路涉鸟事故中相关鸟的种类数据，并将其归为隐患鸟类，当所述识别到的鸟的种类为所述隐患鸟类时，则控制驱鸟作业。
实施例3、
如实施例2所述的一种基于深度学习的输电线路鸟类隐患防治方法，其区别在于，当识别到鸟的种类与电线路涉鸟事故中相关鸟的种类体型相同时，对识别到的鸟的种类进行记录。所述输电线路涉鸟事故中相关鸟的种类数据是不断更新的。
实施例4、
如实施例1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其区别在于，所述步骤S2中，根据输电线路监拍装置所安装的区域不同，预先收集该区域相应的鸟的种类数据，训练细粒度分类模型；所述该区域相应的鸟的种类数据是不断更新的。
应用例、
如附图2-6所示。
对某条输电线路上的正常拍摄图像间隔为10分钟，拍摄的图像经过目标检测模型后，在某一时刻检测出存在鸟类隐患。针对鸟类隐患图像数据，进行分析，根据结果进行预警及采取相应措施，保证输电线路安全。鸟类隐患防治方法具体步骤如下：
1)收集输电通道鸟类数据，构建样本库，训练Cascade R-CNN模型；
2)通过输电线路监拍装置获得输电线路的实时图像，将图像输入到训练好的目标检测模型；
3)通过目标检测模型的识别结果，获取鸟类隐患图像数据，目标检测模型的检测结果，其中附图2是鸟群图像，附图3、附图4是单只鸟图像；
对于鸟群和鸟的区分，以检测结果图像中鸟类识别数量为判断标准：以附图2和附图3来说，附图2中识别出的鸟类数量大于3，为鸟群图像；附图3和附图4中识别出来的鸟类数量均为1，即为鸟的图像；
其中，针对所述鸟群图像，需要及时采取驱鸟作业，并且鸟群的存在会产生鸟粪危害，确定鸟群所在区域的输电线路，提示巡线人员定期进行清理；
其中，针对于鸟的图像，如附图3和附图4，需要截取出鸟类的图像，按目标框截取，截取后的结果如附图5和附图6所示；
4)将得到附图5和附图6分别进行细粒度分类，识别出鸟的种类为：附图5是麻雀，附图6是鹰；
根据鸟的种类，如鹰、大雁、黑翅鸢等，划分为大型鸟类；如麻雀、燕子、鸽子等，划分为小型鸟类；相较于危害低的小型鸟类，针对于大型鸟类，及时采取驱鸟作业，循环播放驱鸟音频，防止大型鸟类对输电线路造成破坏；
5)针对该区域，收集曾经造成输电线路事故的鸟的种类，归为隐患鸟类：
当细粒度分类结果为隐患鸟类时，播放相应的驱鸟音频，避免再次发生事故。
Claims (7)
1.一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，包括：
S1:收集输电线路监拍装置的图像数据，采用Cascade R-CNN模型训练目标检测模型，然后利用所述目标检测模型对输电线路的实时图像进行鸟类识别，即将所述图像中包含的鸟类及时识别出来；针对单张图像中的鸟类数量进行统计：当鸟类数量大于预设的阈值时，则控制驱鸟作业；
S2:根据已有鸟类图像数据，训练细粒度分类模型，利用细粒度分类模型对识别到的鸟类进行种类归类，根据所述鸟的种类对应的体型划分为：大型鸟类和小型鸟类：当识别出单张图像中包含单只所述大型鸟类时，则控制驱鸟作业。
2.根据权利要求1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，预先收集输电线路涉鸟事故中相关鸟的种类数据，并将其归为隐患鸟类，当所述识别到的鸟的种类为所述隐患鸟类时，则控制驱鸟作业。
3.根据权利要求2所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，当识别到鸟的种类与电线路涉鸟事故中相关鸟的种类体型相同时，对识别到的鸟的种类进行记录；优选的，所述输电线路涉鸟事故中相关鸟的种类数据是不断更新的。
4.根据权利要求1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，所述步骤S2中，根据输电线路监拍装置所安装的区域不同，预先收集该区域相应的鸟的种类数据，训练细粒度分类模型；优选的，所述该区域相应的鸟的种类数据是不断更新的。
5.根据权利要求1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，所述步骤S1的具体方法包括：
S11：收集输电通道的鸟类数据，构建样本库；
S12：标注输电通道的鸟类图像，采用Cascade R-CNN模型训练目标检测模型：
1)借助MMDetection目标检测开源工具箱；
2)主干网络采用采用101层的深度残差网络ResNet101；
3)目标检测模型使用不同的IOU阈值，训练了多个级联的检测器。
6.根据权利要求1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，所述步骤S1中预设的阈值为3，当鸟类数量大于预设的阈值时，同时提示或者控制定期清理输电线路的鸟粪。
7.根据权利要求1所述的一种基于深度学习的输电线路鸟类隐患防治方法，其特征在于，所述驱鸟作业包括：提前针对不同鸟的种类对应录制其天敌的驱鸟音频，在进行驱鸟作业时进行循环播放，直至输电线路上的鸟或鸟群消失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722766.0A CN113469014A (zh) | 2021-06-29 | 2021-06-29 | 一种基于深度学习的输电线路鸟类隐患防治方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110722766.0A CN113469014A (zh) | 2021-06-29 | 2021-06-29 | 一种基于深度学习的输电线路鸟类隐患防治方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469014A true CN113469014A (zh) | 2021-10-01 |
Family
ID=77873470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110722766.0A Pending CN113469014A (zh) | 2021-06-29 | 2021-06-29 | 一种基于深度学习的输电线路鸟类隐患防治方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469014A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063601A (zh) * | 2022-06-28 | 2022-09-16 | 中国科学院半导体研究所 | 基于图像和音频双模态鸟类识别方法、装置、设备及介质 |
| CN117981744A (zh) * | 2024-04-07 | 2024-05-07 | 国网山东省电力公司淄博供电公司 | 一种输电线路防鸟害保护系统、方法、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709374A (zh) * | 2020-06-18 | 2020-09-25 | 深圳市赛为智能股份有限公司 | 鸟情检测方法、装置、计算机设备及存储介质 |
| CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
-
2021
- 2021-06-29 CN CN202110722766.0A patent/CN113469014A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709374A (zh) * | 2020-06-18 | 2020-09-25 | 深圳市赛为智能股份有限公司 | 鸟情检测方法、装置、计算机设备及存储介质 |
| CN112184692A (zh) * | 2020-10-13 | 2021-01-05 | 辽宁工程技术大学 | 一种输电线路多目标检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063601A (zh) * | 2022-06-28 | 2022-09-16 | 中国科学院半导体研究所 | 基于图像和音频双模态鸟类识别方法、装置、设备及介质 |
| CN117981744A (zh) * | 2024-04-07 | 2024-05-07 | 国网山东省电力公司淄博供电公司 | 一种输电线路防鸟害保护系统、方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710126B (zh) | 自动化探测驱逐目标方法及其系统 | |
| CN113469014A (zh) | 一种基于深度学习的输电线路鸟类隐患防治方法 | |
| CN109886999B (zh) | 位置确定方法、装置、存储介质和处理器 | |
| CN110261394A (zh) | 在线风机叶片损伤实时诊断系统和方法 | |
| CN109657737B (zh) | 基于红外热视技术的机柜内小动物入侵检测方法及系统 | |
| Huang et al. | A vector mosquitoes classification system based on edge computing and deep learning | |
| CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
| CN112948821A (zh) | 一种apt检测预警方法 | |
| CN112056302A (zh) | 一种用于主变横担的驱鸟装置、系统及方法 | |
| CN117636169B (zh) | 一种森林巡护方法及系统 | |
| CN115152732A (zh) | 智能驱鸟系统 | |
| KR101642712B1 (ko) | 모기의 영상을 인식하는 방법 | |
| CN112800837B (zh) | 一种鸟类识别系统及方法 | |
| Simons et al. | Automatic counting of birds in a bird deterrence field trial | |
| CN108765814A (zh) | 基于光纤传感的边境线周界防入侵报警系统及方法 | |
| CN116491493A (zh) | 一种输电线路的驱鸟装置、驱鸟方法、系统及服务器 | |
| CN103812676A (zh) | 一种实现日志数据实时关联装置及方法 | |
| CN212697380U (zh) | 一种用于主变横担的驱鸟装置、系统 | |
| CN109522715A (zh) | 一种面向安全智能电网的数据融合分类方法与系统 | |
| CN112131973B (zh) | 一种饲料处理监管方法、系统、设备及存储介质 | |
| WO2022097824A1 (ko) | 인공지능 기반의 선택객체 감지 카메라를 통한 유해조수 식별 및 포획 방법 및 시스템 | |
| CN113724247A (zh) | 一种基于图像判别技术的变电站智能巡检方法 | |
| CN113545332A (zh) | 一种智能捕鼠宝 | |
| CN113435371A (zh) | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 | |
| Dinesh et al. | Detection and Classification of Disease in Poultry farm |
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: 20211001 |