CN114067368B - 基于深度卷积特征的电网危害鸟种分类识别方法 - Google Patents
基于深度卷积特征的电网危害鸟种分类识别方法 Download PDFInfo
- Publication number
- CN114067368B CN114067368B CN202210046866.0A CN202210046866A CN114067368B CN 114067368 B CN114067368 B CN 114067368B CN 202210046866 A CN202210046866 A CN 202210046866A CN 114067368 B CN114067368 B CN 114067368B
- Authority
- CN
- China
- Prior art keywords
- bird
- image
- layer
- power grid
- bird species
- 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
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
- G06F18/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积特征的电网危害鸟种分类识别方法,首先针对电网巡检拍摄的鸟种图像,构建电网危害鸟种图像数据集,基于前馈去噪卷积神经网络对鸟种图像进行去噪预处理;搭建卷积神经网络DarkNet‑53模型,采用大规模开放数据集进行预训练,利用预处理后的鸟种图像训练集重新训练,并采用卷积神经网络可视化工具Grad‑CAM算法生成不同特征提取层的热力图,提取最佳特征图中的鸟种图像深度卷积特征;构建基于纠错输出编码支持向量机的鸟种分类识别模型,采用鸟种图像的深度卷积特征进行训练和测试,实现对危害鸟种的分类识别。本发明可用于电网涉鸟故障的差异化防治,有助于电网巡检人员准确识别鸟类。
Description
技术领域
本发明属于输电线路监测图像数据处理技术领域,具体涉及一种基于深度卷积特征的电网危害鸟种分类识别方法。
背景技术
随着生态环境的改善,鸟类在输电线路附近的活动日益频繁,其泄粪、筑巢、迁徙等活动都可能导致输电线路短路和跳闸,严重影响了电网的安全稳定运行。由于涉鸟故障具有随机性和瞬时性,因此难以采取针对性策略防鸟,但涉鸟故障对我国重要输电通道的影响呈逐年扩大趋势,这一矛盾亟需解决。目前,涉鸟故障防治通常是根据风险分布图对输电线路加装防鸟刺、防鸟罩、防鸟挡板等多种防鸟装置。但实际的防鸟工作仍存在较大的盲目性,未能有效抑制涉鸟故障上升趋势。为解决上述问题,有必要研究电网故障相关鸟类的分类识别方法,以协助电网巡检人员准确识别鸟类。
近年来,计算机视觉逐渐在鸟类识别领域得到了研究和应用。相关研究提出了鸟种图像识别方法,但需要人工自主设计特征提取器,依赖于鸟类专业知识及复杂的参数调整过程,泛化能力和鲁棒性较差。深度卷积神经网络能够将特征提取、训练、验证、测试等一体化,降低特征提取与分类识别过程的复杂性,因此越来越多的鸟类识别方法研究融入了深度学习算法。目前,大多数研究集中于鸟类生态学领域,而与电网故障相关的鸟类识别研究较少。
发明内容
鉴于此,本发明的目的在于提供一种基于深度卷积特征的电网危害鸟种分类识别方法,用于准确识别出与电网相关的危害鸟种,为涉鸟故障的差异化防治提供参考。
为实现上述目的,本发明提供如下技术方案:一种基于深度卷积特征的电网危害鸟种分类识别方法,包括如下步骤:
S1、鸟种图像数据集构建与图像去噪:收集电网人工巡检与无人机巡检拍摄获取的在输电线路或变电站区域活动的鸟类图像样本,构建包含N种鸟类的图像数据集;搭建包含17层的前馈去噪卷积神经网络DnCNN对鸟种图像进行预处理;
对于一幅鸟类彩色图像,将其分为R、G、B三个颜色通道分别进行单独去噪;设含有噪声的鸟类单通道图像为ω,使其输入至DnCNN,经过卷积层、ReLU激活函数、BN批归一化,通过不断训练得到残差映射R(ω)≈m,m为残差图像;将单通道图像ω与提取得到的残差图像m作差,得到去噪后的单通道图像x=ω-m;将分别去噪后的三幅单通道图像进行合并,生成去噪后的RGB鸟类图像,将经过去噪预处理后的鸟种图像数据集按比例划分为训练集与测试集。
S2、鸟种图像深度卷积特征提取:搭建DarkNet-53卷积神经网络模型,采用大规模开放图像数据集对DarkNet-53模型进行预训练,并将预训练后的模型结构进行初始化,获得初始化后的卷积神经网络模型DarkNet-53-A;采用步骤S1中划分的训练集对DarkNet-53-A进行重新训练,得到DarkNet-53-B;
从DarkNet-53-B模型的卷积层Conv1~Conv53中由浅至深再随机抽取y个特征图,共计得到y+5个特征图;采用卷积神经网络可视化工具Grad-CAM算法生成各个特征图对应的热力图,对网络的决策区域进行分析,颜色越深的区域对网络判定结果影响越大,据此得到最佳特征提取层,利用DarkNet-53-B模型提取最佳特征提取层的深度卷积特征;采用DarkNet-53-B模型提取步骤S1中划分的训练集和测试集中全部图像的深度卷积特征;
S3、构建基于纠错输出编码支持向量机的鸟种分类识别模型:采用一对一的方法构建包含40行,780列的编码矩阵M,其中,行向量为鸟种分类类别数,列向量为支持向量机二值分类器的个数,矩阵元素的取值为{1,0,-1};
S4、模型训练与鸟种分类识别:利用训练集的深度卷积特征作为输入,针对每两类鸟种,训练一个分辨该两类鸟种的支持向量机二值分类器,依次对780个支持向量机二值分类器进行训练;以测试集的深度卷积特征作为输入,采用训练后的780个二分类的支持向量机对测试集样本进行决策编码,并通过汉明距离解码公式对每一个支持向量机独立决策结果聚合形成的编码矩阵进行解码,即780个分类器输出值构成的向量H(x)=[h 1(x),h 2(x),h 3(x),h 4(x)... h 780(x)]与编码矩阵M每一行做汉明距离计算,式中h i (x)表示第i个分类器输出值,选择最小距离对应的行作为预测类别,输出带标签的鸟种图像,实现电网涉鸟故障相关鸟种分类识别。
进一步地,步骤S1中,对预处理后的鸟种图像数据集进行标签化,将数据集分为N组,每组包含同一种鸟类的全部图像样本,以该鸟种名称作为标签,并按照7:3的比例划分为训练集和测试集。
进一步地,所述前馈去噪卷积神经网络DnCNN:第1层为卷积层Conv和ReLU激活函数,第2至16层在卷积层Conv和ReLU激活函数之间加入了BN批归一化用于加快网络收敛速度,第17层通过一个卷积层还原输出,采用动量随机梯度下降SGDM算法进行前馈去噪卷积神经网络DnCNN的学习优化,并设置动量值为0.9。
进一步地,步骤S2中,所述DarkNet-53卷积神经网络模型由含1个3×3卷积层、5个残差模块、1个全局平均池化层、1个全连接层、1个Softmax层和1个分类输出层组成,其中卷积层由一个2维卷积Conv2d、1个BN批归一化层和1个Leaky_ReLU激活函数构成,5个残差模块分别由一个单独的3×3卷积层和依次重复1次、2次、8次、8次、4次的残差单元构成,在每个残差单元中,先执行1×1的卷积操作,再执行3×3的卷积操作,过滤器数量先减半再恢复,并添加残差学习策略,即在残差单元输入与输出之间添加残差连接。
进一步地,步骤S2中,利用Grad-CAM生成不同特征提取层的热力图,显示鸟类图像中有利于分类识别的区域,最后将DarkNet-53-B的全局平均池化层作为特征提取层,提取出的训练集图像特征值1024个,测试集图像特征值1024个,共2048个。
进一步地,步骤S2中,采用步骤S1中划分好的训练集和测试集对DarkNet-53-A网络模型进行重新训练,选取随机梯度下降算法进行网络模型的优化,设定学习率为1×10-4,动量值为0.9,迭代轮数为8次,每一轮迭代次数为65,最小批量数为128。
进一步地,步骤S3中,编码矩阵的每一行代表一类鸟种,每一列代表样本的一种二分类;矩阵元素1代表一类,-1代表另一类,0代表无关类,即该类别不参与训练,依照此规律构建一个40行,780列的编码矩阵。
与现有技术相比,本发明有益效果:通过前馈降噪卷积神经网络进行图像去噪,采用深度卷积神经网络DarkNet-53提取鸟类图像的深度卷积特征,利用纠错输出编码支持向量机实现危害电网安全的涉鸟故障相关鸟种分类识别。本发明提出的技术方案具有较好的检测精度、泛化能力和检测速度,且更有利于实际应用,可为电网涉鸟故障的差异化防治提供参考,有助于电网巡检人员准确识别鸟类。
附图说明
图1为本发明的方法流程图。
图2为本发明构建的DarkNet-53-A网络结构图。
图3为本发明中的基于纠错输出编码支持向量机的鸟种分类识别模型结构图。
具体实施方式
下面结合实施例对本发明做进一步的描述,有必要在此指出的是以下实施例只是用于对本发明进行进一步的说明,不能理解为对本发明保护范围的限制,该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整,仍属于本发明保护范围。
一种基于深度卷积特征的电网危害鸟种分类识别方法,其流程图如图1所示,包括以下步骤:
S1、鸟种图像数据集构建与图像去噪:收集电网人工巡检与无人机巡检拍摄获取的在输电线路或变电站区域活动的鸟类图像样本,构建包含N种鸟类的图像数据集;搭建包含17层的前馈去噪卷积神经网络DnCNN对鸟种图像进行预处理,第1层为卷积层Conv和ReLU激活函数,第2至16层在卷积层Conv和ReLU激活函数之间加入了BN批归一化层用于加快网络收敛速度,第17层通过一个卷积层还原输出,采用动量随机梯度下降SGDM算法进行网络模型的学习优化,并设置动量值为0.9;
对于一幅鸟类彩色图像,将其分为R、G、B三个颜色通道分别进行单独去噪。设含有噪声的鸟类单通道图像为ω,使其输入至DnCNN,经过卷积层、ReLU激活函数、BN批归一化层,通过不断训练得到残差映射R(ω)≈m,m为残差图像;将单通道图像ω与提取得到的残差图像m作差,得到去噪后的单通道图像x=ω-m;将分别去噪后的三幅单通道图像进行合并,生成去噪后的RGB鸟类图像,将经过去噪预处理后的鸟种图像数据集按比例划分为训练集Training Set与测试集Test Set。
本实施例中,从电网涉鸟故障相关鸟类中选取了20种高危鸟类和20种微害鸟类作为研究对象,并收集了电网人工巡检与无人机巡检拍摄的鸟种图像样本,构建电网涉鸟故障相关鸟种数据集,每种鸟类包含300幅图像,共计12000幅图像样本。基于前馈去噪卷积神经网络对鸟种图像进行去噪预处理,一定程度上滤除原始图像中的噪声。前馈去噪卷积神经网络是一种二维的卷积神经网络,由于所获得的图像均为RGB三通道彩色图像,所以对每一个通道单独去噪,最后合并去噪的颜色通道以形成去噪后的RGB图像。对预处理后的鸟种图像数据集进行标签化,将样本分为40组,每组包含同一种鸟类的全部图像样本,并以该鸟种名称作为标签,并按照7:3的比例随机划分为训练集和测试集,因此,训练集包含8400个样本,测试集包含3600个样本。
S2、鸟种图像深度卷积特征提取:搭建由含1个3×3卷积层(ConvolutionalLayer)、5个残差模块(Residual_body_1~Residual_body_5)、1个全局平均池化层、1个由1×1卷积层表示的全连接层(fullyConnected Layer)、1个Softmax层和1个分类输出层(Classificational Layer)组成的DarkNet-53卷积神经网络模型,其中卷积层由一个2维卷积(Conv2d)、1个BN批归一化层和1个Leaky_ReLU激活函数构成,5个残差模块分别由一个单独的3×3卷积层和依次重复1次、2次、8次、8次、4次的残差单元(Res_unit)构成,在每个残差单元中,先执行1×1的卷积操作,再执行3×3的卷积操作,过滤器数量先减半再恢复,并添加残差学习策略,即在残差单元输入与输出之间添加残差连接。
采用大规模开放图像数据集对DarkNet-53模型进行预训练,并将预训练后的模型结构进行初始化,将最后一个全连接层的输出通道由1000调整为鸟种总数N,删除原网络中的最后一层“output”,代替以一个N分类的输出层,获得初始化后的卷积神经网络模型DarkNet-53-A;采用步骤S1中划分的训练集Training Set对DarkNet-53-A进行重新训练,得到DarkNet-53-B。
提取5个残差模块(Residual_body_1~Residual_body_5)的残差单元(Res_unit)后的特征图(Feature_map_1~Feature_map_5),并从DarkNet-53-B模型的卷积层Conv1~Conv53中由浅至深再随机抽取y个特征图,共计得到y+5个特征图;采用卷积神经网络可视化工具Grad-CAM算法生成各个特征图对应的热力图,对网络的决策区域进行分析,颜色越深的区域对网络判定结果影响越大,据此得到最佳特征提取层(Feature_map_best),利用DarkNet-53-B模型提取最佳特征提取层(Feature_map_best)的深度卷积特征。采用DarkNet-53-B模型提取步骤S1中划分的训练集和测试集中全部图像的深度卷积特征。
本实施例中,采用大规模开放图像数据集对构建的DarkNet-53模型进行预训练,将DarkNet-53预训练模型的最后一个全连接层的输出通道由1000调整为40,并删除原网络中的最后一层输出层(output),以一个40分类的输出层代替,并将调整过后的网络模型命名为DarkNet-53-A,网络结构如图2所示。采用电网涉鸟故障相关鸟种图像训练集对DarkNet-53-A网络模型进行重新训练,选取随机梯度下降算法进行网络模型的优化,设定学习率为1×10-4,动量值为0.9,迭代轮数为8次,每一轮迭代次数为65,最小批量数为128,训练后得到DarkNet-53-B。
利用卷积神经网络可视化工具(Grad-CAM)生成不同特征提取层的热力图,本实施例中,从5个残差模块的残差单元(Res_unit)后提取5个特征图,并从卷积层Conv1~Conv53中由浅至深再随机抽取4个特征图,共9幅特征图,利用Grad-CAM显示特征提取层对于图像的感兴趣区域,选取最佳特征提取层。最后将DarkNet-53-B的全局平均池化层“avg1”作为特征提取层。由于每个残差模块的首个3×3卷积层均进行一次步长为2的卷积操作,提取出的训练集特征值1024个,测试集特征值1024个,共2048个。
S3、构建基于纠错输出编码支持向量机的鸟种分类识别模型:采用一对一的方法构建包含40行,780列的编码矩阵M,其中,行向量为鸟种分类类别数,列向量为支持向量机二值分类器的个数,矩阵元素的取值为{1,0,-1}。
本实施例构建的基于纠错输出编码支持向量机的鸟种分类识别模型如图3所示,该模型采用一对一的方法构建涉鸟故障相关鸟种编码矩阵,如表1所示,表中SVM i 表示第i个SVM分类器。编码矩阵的每一行代表每一类,每一列代表样本的一种二分类;1代表一类,-1代表另一类,0代表无关类,即该类别不参与训练。以分类器一为例,将Ciconia nigra表示为正样本(1),Ciconia boyciana表示为负样本(-1),其他38个样本表示为无关类,依照此编码规律对780个二分类器进行训练和测试。在解码步骤中,通过汉明距离解码公式(1)对每一个分类器独立决策结果聚合形成的编码矩阵进行解码:
式中,d表示汉明距离,r ik ,r jk 分别代表第i行与第j行的第k列二进制编码值,m表示总的分类器个数。其中支持向量机的核函数K为线性核函数
式中:x i 、y i 分别为原输入空间的两个向量。
S4、模型训练与鸟种分类识别:利用训练集Training Set的深度卷积特征作为输入,针对每两类鸟种,训练一个分辨该两类鸟种的支持向量机二值分类器,依次对780个支持向量机二值分类器进行训练;以测试集Test Set的深度卷积特征作为输入,采用训练后的780个二分类的支持向量机对测试集样本进行决策编码,并通过汉明距离解码公式对每一个支持向量机独立决策结果聚合形成的编码矩阵进行解码,即780个分类器输出值构成的向量H(x)=[h 1(x),h 2(x),h 3(x),h 4(x)... h 780(x)]与编码矩阵M每一行做汉明距离计算,式中h i (x)表示第i个分类器输出值,选择最小距离对应的行作为预测类别,输出带标签的鸟种图像,实现电网涉鸟故障相关鸟种分类识别。
本实施例中,将1024个训练集和测试集的特征值构成的特征向量分别对纠错输出编码支持向量机进行训练和测试,实现电网涉鸟故障相关鸟种分类识别。借助Macor_P、Macor_R、Macor_F1值和Accuracy来评价其分类性能。并设计对比实验验证本方法的有效性,以上模型均在相同的训练集、测试集、仿真环境下进行测试,结果如表2所示。
根据表2结果可知,本发明凭借自身结构与训练方法的特点,在各项指标上均为最优,Macor_F1和Accuracy分别达到94.50%和94.38%,验证了本发明提出的识别模型能够准确的识别出电网涉鸟故障相关鸟种,为电网涉鸟故障差异化防治提供参考。
以上所述仅表达了本发明的优选实施方式,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的内容加以更改或改型为等同变化的等效实施例。但是,凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于深度卷积特征的电网危害鸟种分类识别方法,其特征在于,包括如下步骤:
S1、鸟种图像数据集构建与图像去噪:收集电网人工巡检与无人机巡检拍摄获取的在输电线路或变电站区域活动的鸟类图像样本,构建包含N种鸟类的图像数据集;搭建包含17层的前馈去噪卷积神经网络DnCNN对鸟种图像进行预处理,
对于一幅鸟类彩色图像,将其分为R、G、B三个颜色通道分别进行单独去噪;设含有噪声的鸟类单通道图像为ω,使其输入至DnCNN,经过卷积层、ReLU激活函数、BN批归一化,通过不断训练得到残差映射R(ω)≈m,m为残差图像;将单通道图像ω与提取得到的残差图像m作差,得到去噪后的单通道图像x=ω-m;将分别去噪后的三幅单通道图像进行合并,生成去噪后的RGB鸟类图像,将经过去噪预处理后的鸟种图像数据集按比例划分为训练集与测试集;
S2、鸟种图像深度卷积特征提取:搭建DarkNet-53卷积神经网络模型,采用大规模开放图像数据集对DarkNet-53模型进行预训练,并将预训练后的模型结构进行初始化,获得初始化后的卷积神经网络模型DarkNet-53-A;采用步骤S1中划分的训练集对DarkNet-53-A进行重新训练,得到DarkNet-53-B;
从DarkNet-53-B模型的卷积层Conv1~Conv53中由浅至深再随机抽取y个特征图,共计得到y+5个特征图;采用卷积神经网络可视化工具Grad-CAM算法生成各个特征图对应的热力图,对网络的决策区域进行分析,颜色越深的区域对网络判定结果影响越大,据此得到最佳特征提取层,利用DarkNet-53-B模型提取最佳特征提取层的深度卷积特征;采用DarkNet-53-B模型提取步骤S1中划分的训练集和测试集中全部图像的深度卷积特征;
S3、构建基于纠错输出编码支持向量机的鸟种分类识别模型:采用一对一的方法构建包含40行,780列的编码矩阵M,其中,行向量为鸟种分类类别数,列向量为支持向量机二值分类器的个数,矩阵元素的取值为{1,0,-1};
S4、模型训练与鸟种分类识别:利用训练集的深度卷积特征作为输入,针对每两类鸟种,训练一个分辨该两类鸟种的支持向量机二值分类器,依次对780个支持向量机二值分类器进行训练;以测试集的深度卷积特征作为输入,采用训练后的780个二分类的支持向量机对测试集样本进行决策编码,并通过汉明距离解码公式对每一个支持向量机独立决策结果聚合形成的编码矩阵进行解码,即780个分类器输出值构成的向量H(x)=[h 1(x),h 2(x),h 3(x),h 4(x)... h 780(x)]与编码矩阵M每一行做汉明距离计算,式中h i (x)表示第i个分类器输出值,选择最小距离对应的行作为预测类别,输出带标签的鸟种图像,实现电网涉鸟故障相关鸟种分类识别;
步骤S1中,对预处理后的鸟种图像数据集进行标签化,将数据集分为N组,每组包含同一种鸟类的全部图像样本,以该鸟种名称作为标签,并按照7:3的比例划分为训练集和测试集;
所述前馈去噪卷积神经网络DnCNN:第1层为卷积层和ReLU激活函数,第2至16层在卷积层Conv和ReLU激活函数之间加入了BN批归一化用于加快网络收敛速度,第17层通过一个卷积层还原输出,采用动量随机梯度下降SGDM算法进行前馈去噪卷积神经网络DnCNN的学习优化,并设置动量值为0.9。
2.根据权利要求1所述的一种基于深度卷积特征的电网危害鸟种分类识别方法,其特征在于,步骤S2中,所述DarkNet-53卷积神经网络模型由含1个3×3卷积层、5个残差模块、1个全局平均池化层、1个全连接层、1个Softmax层和1个分类输出层组成,其中卷积层由一个2维卷积Conv2d、1个BN批归一化层和1个Leaky_ReLU激活函数构成,5个残差模块分别由一个单独的3×3卷积层和依次重复1次、2次、8次、8次、4次的残差单元构成,在每个残差单元中,先执行1×1的卷积操作,再执行3×3的卷积操作,过滤器数量先减半再恢复,并添加残差学习策略,即在残差单元输入与输出之间添加残差连接。
3.根据权利要求2所述的一种基于深度卷积特征的电网危害鸟种分类识别方法,其特征在于,步骤S2中,利用Grad-CAM生成不同特征提取层的热力图,显示鸟类图像中有利于分类识别的区域,最后将DarkNet-53-B的全局平均池化层作为特征提取层,提取出的训练集图像特征值1024个,测试集图像特征值1024个,共2048个。
4.根据权利要求2所述的一种基于深度卷积特征的电网危害鸟种分类识别方法,其特征在于,步骤S2中,采用步骤S1中划分好的训练集和测试集对DarkNet-53-A网络模型进行重新训练,选取随机梯度下降算法进行网络模型的优化,设定学习率为1×10-4,动量值为0.9,迭代轮数为8次,每一轮迭代次数为65,最小批量数为128。
5.根据权利要求1所述的一种基于深度卷积特征的电网危害鸟种分类识别方法,其特征在于,步骤S3中,编码矩阵的每一行代表一类鸟种,每一列代表样本的一种二分类;矩阵元素1代表一类,-1代表另一类,0代表无关类,即该类别不参与训练,依照此规律构建一个40行,780列的编码矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046866.0A CN114067368B (zh) | 2022-01-17 | 2022-01-17 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046866.0A CN114067368B (zh) | 2022-01-17 | 2022-01-17 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067368A CN114067368A (zh) | 2022-02-18 |
CN114067368B true CN114067368B (zh) | 2022-06-14 |
Family
ID=80231054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046866.0A Active CN114067368B (zh) | 2022-01-17 | 2022-01-17 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067368B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842208B (zh) * | 2022-06-08 | 2024-05-03 | 南昌大学 | 一种基于深度学习的电网危害鸟种目标检测方法 |
CN115345031B (zh) * | 2022-10-17 | 2022-12-20 | 国网江西省电力有限公司电力科学研究院 | 一种变电站防鸟方案智能辅助模拟系统及模拟方法 |
CN115982534B (zh) * | 2023-03-18 | 2023-05-26 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
CN117351365B (zh) * | 2023-12-04 | 2024-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 |
CN117392551B (zh) * | 2023-12-12 | 2024-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 |
CN117981744B (zh) * | 2024-04-07 | 2024-06-18 | 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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197591A (zh) * | 2018-01-22 | 2018-06-22 | 北京林业大学 | 一种基于多特征融合迁移学习的鸟类个体识别方法 |
US10223611B1 (en) * | 2018-03-08 | 2019-03-05 | Capital One Services, Llc | Object detection using image classification models |
CN110289081B (zh) * | 2019-05-14 | 2021-11-02 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN111223088B (zh) * | 2020-01-16 | 2023-05-02 | 东南大学 | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 |
CN113158787B (zh) * | 2021-03-11 | 2024-04-05 | 上海海事大学 | 一种复杂海洋环境下船舶检测分类方法 |
CN113255691A (zh) * | 2021-04-15 | 2021-08-13 | 南昌大学 | 一种输电线路涉鸟故障危害鸟种目标检测与识别方法 |
CN113707158A (zh) * | 2021-08-02 | 2021-11-26 | 南昌大学 | 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法 |
-
2022
- 2022-01-17 CN CN202210046866.0A patent/CN114067368B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114067368A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN105046279B (zh) | 一种模拟电路故障模式分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN107563999A (zh) | 一种基于卷积神经网络的芯片缺陷识别方法 | |
CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN114842208B (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN111368885A (zh) | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 | |
CN110334724B (zh) | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 | |
CN106446933A (zh) | 基于上下文信息的多目标检测方法 | |
CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN116229380B (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
CN106991355A (zh) | 基于拓扑保持的解析型字典学习模型的人脸识别方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN112148997A (zh) | 一种用于灾害事件检测的多模态对抗模型的训练方法和装置 |
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 |