CN113920339A - 一种基于深度学习的输电线路通道隐患中吊车误告警方法 - Google Patents

一种基于深度学习的输电线路通道隐患中吊车误告警方法 Download PDF

Info

Publication number
CN113920339A
CN113920339A CN202111526708.7A CN202111526708A CN113920339A CN 113920339 A CN113920339 A CN 113920339A CN 202111526708 A CN202111526708 A CN 202111526708A CN 113920339 A CN113920339 A CN 113920339A
Authority
CN
China
Prior art keywords
crane
alarm
model
alarm image
false alarm
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
Application number
CN202111526708.7A
Other languages
English (en)
Inventor
范开鹏
胡志坤
张磊
王飞
杨锡鹏
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.)
Zhiyang Innovation Technology Co Ltd
Original Assignee
Zhiyang Innovation Technology 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 Zhiyang Innovation Technology Co Ltd filed Critical Zhiyang Innovation Technology Co Ltd
Priority to CN202111526708.7A priority Critical patent/CN113920339A/zh
Publication of CN113920339A publication Critical patent/CN113920339A/zh
Pending legal-status Critical Current

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

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

Abstract

一种基于深度学习的输电线路通道隐患中吊车误告警方法，属于输电线路智能运检的技术领域，包括：通过输电线路场景下吊车的告警图像；获取吊车正负样本，所述正样本为吊车的真实告警图像，所述负样本为误告警图像；构建识别吊车误告警数据集；对所述数据集中的图像进行数据增广；构建基于卷积的Resnet_50模型，设计Loss函数，以训练出吊车误告警识别Resnet_50模型；将吊车误告警识别Resnet_50模型部署到服务器，以用于对吊车的实时告警图像进行识别，以区分吊车的真实告警图像和误告警图像。本发明设计了一种输电线路场景下吊车误告警的智能识别方法，提出使用深度学习的分类算法识别吊车误告警信息，实现了对吊车误告警的识别，减少了后续认为确认隐患的工作量。

Description

一种基于深度学习的输电线路通道隐患中吊车误告警方法
技术领域
本发明公开一种基于深度学习分类算法的输电线路通道隐患中吊车误告警方法，属于输电线路智能运检的技术领域。
背景技术
输电线路的正常运行保证了各地区的正常电力供给。随着人工智能的发展，输电线路智能巡检引起电力行业的重点关注。通过安装智能检测装置，对输电线路进行监控。其不仅节省了大量的人力、物力、财力，还能及时的对输电线路隐患进行检测并告警，保证了输电线路正常运行。智能检测装置通过其拍摄的图像进行分析，进而对有隐患的图像进行告警推送。但隐患告警中通常存在误告警的问题，吊车作为典型的输电通道隐患，其误告警问题也非常明显。通常，对于吊车的误警信息需要人为通过告警图像去确定是否为吊车隐患。而随着智能装置的增加，吊车的告警图像的数据量也越来越多，为后续人为确认隐患带来不便。
现阶段，采用深度学习等人工智能技术在输电线路领域所主要解决的技术问题是：怎样对采集图像通过深度学习自动区分出感兴趣的目标区域，此领域得益于卷积神经网络的强大的特征提取和分类能力,大量的算法模型和技术涌现，目标检测的准确率、鲁棒性和效率也在不断提高,应用范围也在不断扩大。但是，深度学习在输电通道危物辨识中的应用还有一些困难和问题。现有深度学习模型训练和测试都是基于公开数据集进行开发，而公开数据集中图像与输电通道监控图像画面相比较，无论是拍摄设备、角度、分辨率、距离和光照强度等拍摄条件，还是目标姿态和重叠遮挡以及环境背景复杂程度都存在的较大差距，这些问题都产生了大量对输电通道危物的误判信息。
综上所述，如何提供一种准确、高效的吊车误告警的识别方法，对吊车的告警图像进行初步分析，并精确的过滤掉误告警信息，减少吊车误告警信息的推送，减轻后续人为排查吊车隐患的工作量，是目前本领域技术人员亟待解决的问题。
发明内容
为了克服现有技术的不足，本发明公开一种基于深度学习分类算法的输电线路通道隐患中吊车误告警方法。本发明针对输电线路上检测出的吊车误告警问题，提出使用深度学习的分类算法识别吊车误告警信息。此外，提出了一种针对吊车误告警问题的负样本获取方法，实现了快速构建数据集。通过对不同场景下采集的吊车数据，使用旋转、裁剪、滤波等图像处理技术增加数据多样性，以此数据用于模型训练，提升了模型的鲁棒性，使其可以在不同输电线路场景，正确分出吊车告警和吊车误告警,减少了后续认为确认隐患的工作量。且本发明的准确性和实时性均满足了输电线路上识别吊车误告警的实际需求。
本发明详细的技术方案在于：
一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，包括：
S1.通过输电线路场景下吊车的告警图像，获取吊车正负样本，所述正样本为吊车的真实告警图像，所述负样本为误告警图像；构建识别吊车误告警数据集；
S2.对所述数据集中的图像进行数据增广；
S3.构建基于卷积的Resnet_50模型，设计Loss函数，以训练出吊车误告警识别Resnet_50模型；
S4.将吊车误告警识别Resnet_50模型部署到服务器，以用于对吊车的实时告警图像进行识别，以区分吊车的真实告警图像和误告警图像。
根据本发明优选的，所述步骤S1具体包括：
S11：获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像信息，所述吊车告警图像信息包括吊车告警图像中被识别出的吊车位置及吊车大小；其中，所述吊车隐患检测模型用以检测出的吊车告警图像，该检测模型并不是本发明所要保护的内容，此模型可以选用市面任何一种检测模型；此步骤中的吊车告警图像包括真实的吊车告警图像和吊车误告警图像；
S12：再通过系统存储中获取基于步骤S11中吊车告警图像的真实的吊车告警图像信息，所述真实的吊车告警图像信息包括真实的吊车告警图像中被识别出的吊车位置及吊车大小；
S13：根据所述步骤S11和步骤S12中的吊车告警图像信息求取：
经过吊车隐患检测模型检测出的吊车告警图像和真实的吊车告警图像的IOU值；通过XML1文件和XML2文件，循环计算XML1中矩形框与XML2中矩形框的IOU值；
S14：设置IOU阈值，将步骤S13中的IOU值与所述IOU阈值进行比对：
若所述IOU值小于设置IOU阈值时，则吊车告警图像中对应的吊车位置区域为负样本区域；
S15：选用所述真实的吊车告警图像中吊车位置区域为正样本区域，XML2文件中的矩形区域所标注的吊车为正样本区域；
S16：将正样本区域和负样本区域从吊车告警图像中截取出来构建数据集，包括训练集、验证集和测试集，为了保证数据正确性，对构建的数据集进行人工核实。
根据本发明优选的，所述步骤S2的具体包括：
S21：为了构建Resnet_50的输入，将数据集内的正样本区域和负样本区域调整为同一尺度；
S22：使用随机水平翻转、随机裁剪进行数据增广。
根据本发明优选的，所述步骤S3具体包括：
S31：识别吊车误告警模型采用的残差网络Resnet_50，形成Resnet_50模型；所述Resnet_50模型每层采用relu函数进行非线性映射；
所述Resnet_50模型的loss函数设计为：
Figure 806542DEST_PATH_IMAGE001
（I）
其中N为样本个数；
Figure 92029DEST_PATH_IMAGE002
为第i个样本的标签：正样本标签为1，负样本标签为0；
Figure 484833DEST_PATH_IMAGE003
为模型预测为正样本的概率值；
S32：使用paddle训练Resnet_50模型，并加入经过Imagenet训练过的Resnet_50模型，实现迁移学习，最终保存best_model进行后续部署到服务器。
根据本发明优选的，所述步骤S4具体包括：
S41：将经步骤S3训练完成的Resnet_50中的paddle模型转换为paddle_serving模型，所述paddle_serving模型包含client端配置文件、service端配置文件和模型文件；
S42：加载service端配置文件和模型文件，开启paddle_serving服务；
S43：在client端通过requsets请求开启的paddle_serving服务，将待识别的吊车误告警图像中告警的吊车区域提取出来，调用paddle_serving服务以返回此区域为吊车告警的置信率；
设置吊车告警置信率的阈值，判断此区域是否为吊车误告警:
当返回此区域为吊车告警的置信率小于等于设置吊车告警置信率的阈值时，则判断此区域不是吊车误告警；
当返回此区域为吊车告警的置信率大于设置吊车告警置信率的阈值时，则判断此区域为吊车误告警。
本发明还公开一种获取吊车正负样本，构建识别吊车误告警数据集的方法：
S11：获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像信息，所述吊车告警图像信息包括吊车告警图像中被识别出的吊车位置及吊车大小；其中，所述吊车隐患检测模型用以检测出的吊车告警图像，该检测模型并不是本发明所要保护的内容，此模型可以选用市面任何一种检测模型；此步骤中的吊车告警图像包括真实的吊车告警图像和吊车误告警图像；
S12：再通过系统存储中获取基于步骤S11中吊车告警图像的真实的吊车告警图像信息，所述真实的吊车告警图像信息包括真实的吊车告警图像中被识别出的吊车位置及吊车大小；
S13：根据所述步骤S11和步骤S12中的吊车告警图像信息求取：
经过吊车隐患检测模型检测出的吊车告警图像和真实的吊车告警图像的IOU值；通过XML1文件和XML2文件，循环计算XML1中矩形框与XML2中矩形框的IOU值；
S14：设置IOU阈值，将步骤S13中的IOU值与所述IOU阈值进行比对：
若所述IOU值小于设置IOU阈值时，则吊车告警图像中对应的吊车位置区域为负样本区域；
S15：选用所述真实的吊车告警图像中吊车位置区域为正样本区域，XML2文件中的矩形区域所标注的吊车为正样本区域；
S16：将正样本区域和负样本区域从吊车告警图像中截取出来构建数据集，包括训练集、验证集和测试集，为了保证数据正确性，对构建的数据集进行人工核实。
根据本发明优选的，所述步骤S11中所述吊车告警图像信息为吊车隐患检测模型返回的吊车检测结果文件XML1，XML1文件中以矩形框的形式存储了吊车隐患检测模型返回的吊车的位置及大小。
根据本发明优选的，所述步骤S12中所述真实的吊车告警图像信息为现场确认后，对吊车告警图像进行重新标注的标注文件XML2，XML2文件中同样以矩形框形式存储了吊车的位置及大小。
根据本发明优选的，在步骤S2中，还包括：S23：使用RandomErasing策略进行数据增广，提高模型泛化能力。
根据本发明优选的，所述步骤S31中，残差网络Resnet_50由堆叠的卷积块block组成，在每个block中采用3*3和1*1的卷积核，采用1*1的卷积核可以有效减少模型的参数量；在每个block中加入了shortcut连接，shortcut操作主要保证了深度模型在训练过程中梯度消失的情况。
本发明具有以下技术效果：
1）本发明设计了一种输电线路场景下吊车误告警的智能识别方法，提出使用深度学习的分类算法识别吊车误告警信息，实现了对吊车误告警的识别，减少了后续认为确认隐患的工作量。
2）本发明设计了一种输电线路场景下吊车误告警的智能识别方法。针对输电线路上检测出的吊车误告警问题，提出使用残差网络Resnet_50来对吊车误告警进行识别。此外，提出了一种误告警吊车样本获取方法，能够快速收集负样本用于模型训练。
3）本发明对于输电线路场景下吊车误告警的识别精度为93.6%。将模型部署在服务器，满足实时性需求，可对不同输电线路场景下进行吊车误告警的识别。
附图说明
图1是本发明所述识别方法的流程图；
图2是实施例1中获取到的吊车告警图像；
图3是实施例1中图2经步骤S1处理后的图像；
图4是实施例1中经步骤S4后识别出的吊车正常告警图像；
图5是实施例1中经步骤S4后识别出的吊车误告警图像。
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通道隐患中吊车误告警方法，包括：
S1.通过输电线路场景下吊车的告警图像，获取吊车正负样本，所述正样本为吊车的真实告警图像，所述负样本为误告警图像；构建识别吊车误告警数据集；
S2.对所述数据集中的图像进行数据增广；
S3.构建基于卷积的Resnet_50模型，设计Loss函数，以训练出吊车误告警识别Resnet_50模型；
S4.将吊车误告警识别Resnet_50模型部署到服务器，以用于对吊车的实时告警图像进行识别，以区分吊车的真实告警图像和误告警图像。
所述步骤S1具体包括：
S11：获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像信息，所述吊车告警图像信息包括吊车告警图像中被识别出的吊车位置及吊车大小；其中，所述吊车隐患检测模型用以检测出的吊车告警图像，该检测模型并不是本发明所要保护的内容，此模型可以选用市面任何一种检测模型；此步骤中的吊车告警图像包括真实的吊车告警图像和吊车误告警图像；利用本步骤对图2进行处理后，得到图2右方中部所框选出的吊车图像，放大后如图3所示；所述步骤S11中所述吊车告警图像信息为吊车隐患检测模型返回的吊车检测结果文件XML1，XML1文件中以矩形框的形式存储了吊车隐患检测模型返回的吊车的位置及大小。
S12：再通过系统存储中获取基于步骤S11中吊车告警图像的真实的吊车告警图像信息，所述真实的吊车告警图像信息包括真实的吊车告警图像中被识别出的吊车位置及吊车大小；所述步骤S12中所述真实的吊车告警图像信息为现场确认后，对吊车告警图像进行重新标注的标注文件XML2，XML2文件中同样以矩形框形式存储了吊车的位置及大小。
S13：根据所述步骤S11和步骤S12中的吊车告警图像信息求取：
经过吊车隐患检测模型检测出的吊车告警图像和真实的吊车告警图像的IOU值；通过XML1文件和XML2文件，循环计算XML1中矩形框与XML2中矩形框的IOU值；
S14：设置IOU阈值，将步骤S13中的IOU值与所述IOU阈值进行比对：
若所述IOU值小于设置IOU阈值时，则吊车告警图像中对应的吊车位置区域为负样本区域；
S15：选用所述真实的吊车告警图像中吊车位置区域为正样本区域，XML2文件中的矩形区域所标注的吊车为正样本区域；
S16：将正样本区域和负样本区域从吊车告警图像中截取出来构建数据集，包括训练集、验证集和测试集，为了保证数据正确性，对构建的数据集进行人工核实。
所述步骤S2的具体包括：
S21：为了构建Resnet_50的输入，将数据集内的正样本区域和负样本区域调整为同一尺度；
S22：使用随机水平翻转、随机裁剪进行数据增广。
所述步骤S3具体包括：
S31：识别吊车误告警模型采用的残差网络Resnet_50，形成Resnet_50模型；所述Resnet_50模型每层采用relu函数进行非线性映射；
所述Resnet_50模型的loss函数设计为：
Figure 539377DEST_PATH_IMAGE001
（I）
其中N为样本个数；
Figure 641325DEST_PATH_IMAGE004
为第i个样本的标签：正样本标签为1，负样本标签为0；
Figure 414109DEST_PATH_IMAGE005
为模型预测为正样本的概率值；
所述步骤S31中，残差网络Resnet_50由堆叠的卷积块block组成，在每个block中采用3*3和1*1的卷积核，采用1*1的卷积核可以有效减少模型的参数量；在每个block中加入了shortcut连接，shortcut操作主要保证了深度模型在训练过程中梯度消失的情况；
S32：使用paddle训练Resnet_50模型，并加入经过Imagenet训练过的Resnet_50模型，实现迁移学习，最终保存best_model进行后续部署到服务器。
所述步骤S4具体包括：
S41：将经步骤S3训练完成的Resnet_50中的paddle模型转换为paddle_serving模型，所述paddle_serving模型包含client端配置文件、service端配置文件和模型文件；
S42：加载service端配置文件和模型文件，开启paddle_serving服务；
S43：在client端通过requsets请求开启的paddle_serving服务，将待识别的吊车误告警图像中告警的吊车区域提取出来，调用paddle_serving服务以返回此区域为吊车告警的置信率；
设置吊车告警置信率的阈值，判断此区域是否为吊车误告警:
当返回此区域为吊车告警的置信率小于等于设置吊车告警置信率的阈值时，则判断此区域不是吊车误告警，如图4是经步骤S4后识别出的吊车正常告警图像；
当返回此区域为吊车告警的置信率大于设置吊车告警置信率的阈值时，则判断此区域为吊车误告警，如图5是经步骤S4后识别出的吊车误告警图像，图5实际是斜坡传送带，并不是吊车。
实施例2
本发明还公开一种获取吊车正负样本，构建识别吊车误告警数据集的方法：
S11：获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像信息，所述吊车告警图像信息包括吊车告警图像中被识别出的吊车位置及吊车大小；其中，所述吊车隐患检测模型用以检测出的吊车告警图像，该检测模型并不是本发明所要保护的内容，此模型可以选用市面任何一种检测模型；此步骤中的吊车告警图像包括真实的吊车告警图像和吊车误告警图像；
S12：再通过系统存储中获取基于步骤S11中吊车告警图像的真实的吊车告警图像信息，所述真实的吊车告警图像信息包括真实的吊车告警图像中被识别出的吊车位置及吊车大小；
S13：根据所述步骤S11和步骤S12中的吊车告警图像信息求取：
经过吊车隐患检测模型检测出的吊车告警图像和真实的吊车告警图像的IOU值；通过XML1文件和XML2文件，循环计算XML1中矩形框与XML2中矩形框的IOU值；
S14：设置IOU阈值，将步骤S13中的IOU值与所述IOU阈值进行比对：
若所述IOU值小于设置IOU阈值时，则吊车告警图像中对应的吊车位置区域为负样本区域；
S15：选用所述真实的吊车告警图像中吊车位置区域为正样本区域，XML2文件中的矩形区域所标注的吊车为正样本区域；
S16：将正样本区域和负样本区域从吊车告警图像中截取出来构建数据集，包括训练集、验证集和测试集，为了保证数据正确性，对构建的数据集进行人工核实。
实施例3
如实施例1所述方法，在步骤S2中，还包括：S23：使用RandomErasing策略进行数据增广，提高模型泛化能力。
实施例4
结合实施例1-3所述的技术方案，将其应用在某地区输电线路上监控摄像头拍摄一天的图像上，经隐患检测模型检测后，常规识别出的吊车告警图像共200张。提取吊车告警图像中的吊车告警区域，并将吊车告警区域通过本发明实施例所述Resnet_50模型进行判断，对吊车误告警的引发的告警图像进行消警，具体实施步骤如下：
a、获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像，以及吊车隐患检测模型返回的吊车检测结果文件XML1，以及其吊车真实的吊车标注文件XML2。循环计算XML1中矩形框与XML2中矩形框的IOU值，设置IOU的阈值为0.3，若小于此阈值，则选择此框中的区域为负样本区域；正样本区域为XML2中标注的吊车区域；
b、将正、负样本区域从原图中截取出来调整为统一的尺寸到128*128，共计9千条样本，采用随机水平翻转和随机裁剪的方式进行数据增广；
c、构建Resnet_50模型，设计其loss函数为：
Figure 345025DEST_PATH_IMAGE006
，
其中N为样本个数，
Figure 519654DEST_PATH_IMAGE007
为第i个样本的标签，正样本标签为1，负样本标签为0，
Figure 589242DEST_PATH_IMAGE008
为模型预测为正样本的概率值，采用Paddle进行训练；
d、将训练完成的吊车误告警Resnet_50的paddle模型转换为paddle_serving模型部署在服务器，提供client端调用接口对吊车的误告警信息进行识别；
e、获取摄像头拍摄的200张图像，经过隐患检测模型检测的吊车隐患告警如下所示：
{
"filename": "1.jpg",
"width": 2592,
"height": 1944,
"objects": [{
"tag": "motocrane",
"score": 0.8988960981369019,
"frame": {"x": 685, "y": 507, "width": 137, "height": 45}
}]
},
{
"filename": "2.jpg",
"width": 2592,
"height": 1944,
"objects": [{
"tag": "motocrane",
"score": 0.9976084232330322,
"frame": {"x": 1948, "y": 376, "width": 423, "height": 591}
}]
},
f、将吊车告警区域提取出来，调用Resnet_50模型client端接口对吊车告警区域进行识别，吊车误告警的图像class_id为0，识别结果下：
image name: 64.jpg, class_id: 0, probability: 0.9116
image name: 92.jpg, class_id: 0, probability: 0.9390
image name: 96.jpg, class_id: 0, probability: 0.5781
image name: 1.jpg, class_id: 1, probability: 0.9976
image name: 72.jpg, class_id: 1, probability: 0.9997
image name: 53.jpg, class_id: 1, probability: 0.9936
设置置信度（probability）的阈值为0.6，根据步骤b的输出结果，对置信度大于0.6的吊车误告警图像进行消警处理。
在本实施例4中，采用残差网络Resnet_50,实现了输电线路通道隐患吊车告警图像中的吊车误告警的识别，减少了吊车误告警信息的推送，减轻运维人员排查吊车隐患的工作量。

Claims (9)

1.一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，包括：
S1.通过输电线路场景下吊车的告警图像，获取吊车正负样本，所述正样本为吊车的真实告警图像，所述负样本为误告警图像；构建识别吊车误告警数据集；
S2.对所述数据集中的图像进行数据增广；
S3.构建基于卷积的Resnet_50模型，设计Loss函数，以训练出吊车误告警识别Resnet_50模型；
S4.将吊车误告警识别Resnet_50模型部署到服务器，以用于对吊车的实时告警图像进行识别，以区分吊车的真实告警图像和误告警图像。
2.根据权利要求1所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S1具体包括：
S11：获取电力公司存储在系统中的经过吊车隐患检测模型检测出的吊车告警图像信息，所述吊车告警图像信息包括吊车告警图像中被识别出的吊车位置及吊车大小；
S12：再通过系统存储中获取基于步骤S11中吊车告警图像的真实的吊车告警图像信息，所述真实的吊车告警图像信息包括真实的吊车告警图像中被识别出的吊车位置及吊车大小；
S13：根据所述步骤S11和步骤S12中的吊车告警图像信息求取：
经过吊车隐患检测模型检测出的吊车告警图像和真实的吊车告警图像的IOU值；
S14：设置IOU阈值，将步骤S13中的IOU值与所述IOU阈值进行比对：
若所述IOU值小于设置IOU阈值时，则吊车告警图像中对应的吊车位置区域为负样本区域；
S15：选用所述真实的吊车告警图像中吊车位置区域为正样本区域；
S16：将正样本区域和负样本区域从吊车告警图像中截取出来构建数据集，包括训练集、验证集和测试集。
3.根据权利要求1所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S2的具体包括：
S21：将数据集内的正样本区域和负样本区域调整为同一尺度；
S22：使用随机水平翻转、随机裁剪进行数据增广。
4.根据权利要求1所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S3具体包括：
S31：识别吊车误告警模型采用的残差网络Resnet_50，形成Resnet_50模型；所述Resnet_50模型每层采用relu函数进行非线性映射；
所述Resnet_50模型的loss函数设计为：
Figure 366252DEST_PATH_IMAGE001
（I）
其中N为样本个数；
Figure 830731DEST_PATH_IMAGE002
为第i个样本的标签：正样本标签为1，负样本标签为0；
Figure 420981DEST_PATH_IMAGE003
为模型预测为正样本的概率值；
S32：使用paddle训练Resnet_50模型，并加入经过Imagenet训练过的Resnet_50模型，实现迁移学习，最终保存best_model进行后续部署到服务器。
5.根据权利要求4所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S4具体包括：
S41：将经步骤S3训练完成的Resnet_50中的paddle模型转换为paddle_serving模型，所述paddle_serving模型包含client端配置文件、service端配置文件和模型文件；
S42：加载service端配置文件和模型文件，开启paddle_serving服务；
S43：在client端通过requsets请求开启的paddle_serving服务，将待识别的吊车误告警图像中告警的吊车区域提取出来，调用paddle_serving服务以返回此区域为吊车告警的置信率；
设置吊车告警置信率的阈值，判断此区域是否为吊车误告警:
当返回此区域为吊车告警的置信率小于等于设置吊车告警置信率的阈值时，则判断此区域不是吊车误告警；
当返回此区域为吊车告警的置信率大于设置吊车告警置信率的阈值时，则判断此区域为吊车误告警。
6.根据权利要求2所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S11中所述吊车告警图像信息为吊车隐患检测模型返回的吊车检测结果文件XML1，XML1文件中以矩形框的形式存储了吊车隐患检测模型返回的吊车的位置及大小。
7.根据权利要求2所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S12中所述真实的吊车告警图像信息为现场确认后，对吊车告警图像进行重新标注的标注文件XML2，XML2文件中同样以矩形框形式存储了吊车的位置及大小。
8.根据权利要求3所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，在步骤S2中，还包括：S23：使用RandomErasing策略进行数据增广。
9.根据权利要求4所述的一种基于深度学习的输电线路通道隐患中吊车误告警方法，其特征在于，所述步骤S31中，残差网络Resnet_50由堆叠的卷积块block组成，在每个block中采用3*3和1*1的卷积核；在每个block中加入了shortcut连接。
CN202111526708.7A 2021-12-15 2021-12-15 一种基于深度学习的输电线路通道隐患中吊车误告警方法 Pending CN113920339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111526708.7A CN113920339A (zh) 2021-12-15 2021-12-15 一种基于深度学习的输电线路通道隐患中吊车误告警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111526708.7A CN113920339A (zh) 2021-12-15 2021-12-15 一种基于深度学习的输电线路通道隐患中吊车误告警方法

Publications (1)

Publication Number Publication Date
CN113920339A true CN113920339A (zh) 2022-01-11

Family

ID=79249193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111526708.7A Pending CN113920339A (zh) 2021-12-15 2021-12-15 一种基于深度学习的输电线路通道隐患中吊车误告警方法

Country Status (1)

Country Link
CN (1) CN113920339A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272777A (zh) * 2022-09-26 2022-11-01 山东大学 面向输电场景的半监督图像解析方法
EP4241928A1 (en) * 2022-03-07 2023-09-13 Körber Suppy Chain DK A/S Method for operating a material handling apparatus

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124821A1 (en) * 2015-10-28 2017-05-04 Xiaomi Inc. Alarm method and device
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
CN110855932A (zh) * 2018-08-21 2020-02-28 杭州海康威视数字技术股份有限公司 基于视频数据的报警方法、装置、电子设备及存储介质
CN113221768A (zh) * 2021-05-18 2021-08-06 北京百度网讯科技有限公司 识别模型训练方法、识别方法、装置、设备及存储介质
CN113221864A (zh) * 2021-04-12 2021-08-06 蚌埠学院 多区域深度特征融合的病鸡视觉识别模型构建及应用方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124821A1 (en) * 2015-10-28 2017-05-04 Xiaomi Inc. Alarm method and device
CN110855932A (zh) * 2018-08-21 2020-02-28 杭州海康威视数字技术股份有限公司 基于视频数据的报警方法、装置、电子设备及存储介质
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
CN113221864A (zh) * 2021-04-12 2021-08-06 蚌埠学院 多区域深度特征融合的病鸡视觉识别模型构建及应用方法
CN113221768A (zh) * 2021-05-18 2021-08-06 北京百度网讯科技有限公司 识别模型训练方法、识别方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王洋: "《高速铁路场景分割与识别算法研究》", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 *
董洪义: "《深度学习之PyTorch物体检测实战》", 31 January 2020, 机械工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4241928A1 (en) * 2022-03-07 2023-09-13 Körber Suppy Chain DK A/S Method for operating a material handling apparatus
WO2023169971A1 (en) * 2022-03-07 2023-09-14 Körber Supply Chain Dk A/S Method for operating a material handling apparatus
CN115272777A (zh) * 2022-09-26 2022-11-01 山东大学 面向输电场景的半监督图像解析方法
CN115272777B (zh) * 2022-09-26 2022-12-23 山东大学 面向输电场景的半监督图像解析方法

Similar Documents

Publication Publication Date Title
CN111339858B (zh) 一种基于神经网络的油气管道标志物识别方法
CN109977921B (zh) 一种输电线路隐患检测方法
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
Cord et al. Automatic road defect detection by textural pattern recognition based on AdaBoost
CN112633231B (zh) 一种火灾识别的方法和装置
Lestari et al. Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation
CN113920339A (zh) 一种基于深度学习的输电线路通道隐患中吊车误告警方法
CN112819068A (zh) 一种基于深度学习的船舶作业违章行为实时侦测方法
CN111639530B (zh) 一种输电线路的输电塔和绝缘子的检测和识别方法及系统
CN114462469B (zh) 目标检测模型的训练方法、目标检测方法及相关装置
CN118197027B (zh) 一种基于管道预警的无人机调度查验方法以及相关装置
US11580659B2 (en) Method for size estimation by image recognition of specific target using given scale
CN113326783A (zh) 一种水利行业的边缘预警方法
CN113158954B (zh) 交通非现场的基于ai技术的斑马线区域自动检测方法
Kuchi et al. Levee-crack detection from satellite or drone imagery using machine learning approaches
CN114821978B (zh) 一种误报警的消除方法、装置以及介质
CN110826473A (zh) 一种基于神经网络的绝缘子图像自动识别方法
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
Alon et al. An inference approach of flood level detection and alert system: Flood-induced simulated environment
CN118164196B (zh) 一种基于机器视觉的输煤皮带健康状态监测方法及系统
CN117830032B (zh) 一种输电线网监控抓拍及风险评估方法及系统
CN118552906B (zh) 基于语义分割和目标检测的人员违规下水监测方法
CN117354495B (zh) 基于深度学习的视频监控质量诊断方法及系统
CN114445729B (zh) 一种基于改进yolo算法的小目标火灾检测方法
CN114170139A (zh) 近岸海域生态灾害预警方法、装置、电子设备及存储介质

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