CN115327301A - 一种输电线电路异物识别检测方法、设备及储存介质 - Google Patents
一种输电线电路异物识别检测方法、设备及储存介质 Download PDFInfo
- Publication number
- CN115327301A CN115327301A CN202211050920.5A CN202211050920A CN115327301A CN 115327301 A CN115327301 A CN 115327301A CN 202211050920 A CN202211050920 A CN 202211050920A CN 115327301 A CN115327301 A CN 115327301A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- volov4
- network
- image
- 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 70
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 206010070245 Foreign body Diseases 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 235000005770 birds nest Nutrition 0.000 description 4
- 235000005765 wild carrot Nutrition 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101150060512 SPATA6 gene Proteins 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明涉及输电线路技术领域,尤其涉及一种输电线电路异物识别检测方法、设备及存储介质,其中方法包括:采集并筛选出存在异物的输电线路图像;采用数据增强的方法扩充样本,并将图像数据集划分为训练集、验证集和测试集;基于VOLOv4算法,根据需求对用于特征提取的VOLOv4网络结构进行优化调整,使用空洞卷积模块提高模型对特征的学习能力,将输电线路图像的训练集和验证集输入到改进后的VOLOv4网络结构中进行训练和验证,得到最佳的VOLOv4网络模型;利用最佳的VOLOv4网络模型对测试集图像进行异物识别与检测,判断出测试集样本中是否存在异物;通过在原始的VOLOv4模型上加入空洞卷积模块,提高模型的感受野,从而能够实现异物实现检测的高精度、低漏检率的检测效果。
Description
技术领域
本发明涉及输电线路技术领域,尤其涉及一种输电线电路异物识别检测方法、设备及储存介质。
背景技术
电力作为我国的主要能源,输电线路的安全是保证安全生产和生活的重要前提,随着国家输电线路网络的规模的日益扩大,保证输电线路的安全运行尤为重要。气候因素和异物会影响高压线的安全运行,甚至导致输电线路的断裂和电力能源输送的中断。其中,异物缠绕或悬挂于输电线路上,会极大地缩短输电线路的放电距离,从而造成相间短路和单想接地短路,可能造成对线路下行人和物品的损害。因此,对于通过异物检测进而保证输电线路不被异物缠绕和悬挂是十分必要的。
人们对于鸟巢,塑料袋等输电线路异物进行了很多的相关的研究。由无人机装载摄像头采集输电线路图像信息,结合深度学习目标检测技术进行检测。与此同时,使用各种数字图像处理方法来自动识别输电线路上的异常是一种高效的解决办法,在相关研究中,识别算法可分为两类,一类是单步检测,另一类是两步检测。其中,两步检测算法的识别流程为:第一通过算法产生一系列的候选框,再通过第二步的卷积神经网络进行识别。由于输电线路所处环境复杂,图像场景元素的多样性和复杂性导致通过图像进行识别的难度也较大。需要进一步提高输电线路异物检测的准确率。
公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是:提供一种输电线电路异物识别检测方法、设备及存储介质,提高输电线路上异物的检测精度。
为了达到上述目的,本发明所采用的技术方案是:一种输电线电路异物识别检测方法,包括:
采集输电线路图像,构建输电线路图像数据库;
采用数据增强的方法扩充输电线路图像数据库样本,增加样本多样性;
对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集、验证集和测试集;
基于VOLOv4算法,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整,使用空洞卷积模块提高模型对特征的学习能力,设置不同的卷积膨胀率提高输电线路图像的感受野大小,使用Mish激活函数提高训练性能,使用CLOU_Loss减少训练时的损失;
将输电线路图像的训练集和验证集输入到改进后的VOLOv4网络结构中进行训练和验证,得到最佳的VOLOv4网络模型;
利用最佳的VOLOv4网络模型对测试集图像进行异物识别与检测,判断出测试集样本中是否存在异物。
进一步的,所述空洞卷积模块的感受野RF为:
RF=k+(k-1)×(r-1)
其中,k*k为标准卷积核的大小,r为扩张率。
进一步的,所述VOLOv4网络结构包括特征提取网络、路径聚合网络、Head预测网络。
进一步的,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整包括:
使用跨阶段局部黑暗网络作为特征提取网络,并通过空洞卷积模块分别对每层的输出特征进行空洞卷积,获得输出后的特征图;
使用空间金字塔池化模块作为路径聚合网络,包括FPN和PAN,FPN自顶向下将高层的特征信息通过上采样进行传递融合,得到预测特征图,PAN进行下采样得到高层特征形成自底向上的特征金字塔;
使用Head预测网络对特征图像中的多尺寸事物进行预测,并筛选得到预测的类别、置信度、位置的信息。
进一步的,所述数据增强方法包括高斯噪声、图像旋转和亮度变化。
进一步的,所述扩充输电线路图像数据库样本通过随机选取的方式进行处理。
进一步的,所述对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集和验证集,具体包括:
使用LambelImg标注工具对异物进行标注,用矩形框框出目标的位置并打上标签,自动生成xml标注文件;
将所述训练集、所述验证集和所述测试集按照14:3:3的比例进行划分。
进一步的,在每一轮训练后用验证集测试模型的检测效果,直到模型的损失、精度、召回率趋于稳定后,保存好模型参数,得到最佳的VOLOv4网络模型。
本发明还提供一种输电线电路异物识别检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述输电线电路异物识别检测方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现上述输电线电路异物识别检测方法的步骤。
本发明的有益效果为:本发明通过在原始的VOLOv4模型上加入空洞卷积模块,提高模型的感受野,并对网络结构和损失函数进行修改,从而能够实现异物实现检测的高精度、低漏检率的检测效果,排除安全隐患,为输电线路异物智能化巡检提供参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中输电线电路异物识别检测方法流程示意图;
图2为本发明实施例中空洞卷积的示意图;
图3为本发明实施例中改进的YOLOv4输电线路异物检测模型结构示意图;
图4为本发明实施例中mish激活函数输入输出图;
图5为本发明实施例中数据增强处理前后的样本对比示意图;
图6为本发明实施例中利用训练好的VOLOv4异物检测模型得到的检测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明通过在原始的VOLOv4模型上加入空洞卷积模块,提高模型的感受野,并对网络结构和损失函数进行修改,从而能够实现异物实现检测的高精度、低漏检率的检测效果,排除安全隐患,为输电线路异物智能化巡检提供参考。
如图1所示的输电线电路异物识别检测方法,包括:
采集输电线路图像,构建输电线路图像数据库;
采用数据增强的方法扩充输电线路图像数据库样本,增加样本多样性;
对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集、验证集和测试集;
基于VOLOv4算法,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整,使用空洞卷积模块提高模型对特征的学习能力,设置不同的卷积膨胀率提高输电线路图像的感受野大小,使用Mish激活函数提高训练性能,使用CLOU_Loss减少训练时的损失;
将输电线路图像的训练集和验证集输入到改进后的VOLOv4网络结构中进行训练和验证,得到最佳的VOLOv4网络模型;
利用最佳的VOLOv4网络模型对测试集图像进行异物识别与检测,判断出测试集样本中是否存在异物。
在上述实施例基础上,空洞卷积模块的感受野RF为:
RF=k+(k-1)×(r-1)
其中,k*k为标准卷积核的大小,r为扩张率。
在针对铁塔的检测过程中,例如有鸟巢的铁塔,鸟巢和铁塔存在相互之间的遮挡,导致检测过程中容易出现漏检和误检的现象,加入空洞卷积模块能够有效解决上述问题,增强预测精度和模型的感受界,空洞卷积的示意图如图2所示,(a)图为普通卷积的示意图为1-dilated convolution,感受野为3×3,(b)图为2-dilated convolution,感受野为7×7,(c)图为4-dilated convolution示意图,感受野为15×15;从图中可以看出,采用空洞卷积的方式增加了卷积过程的感受界。
在本实施例中,空洞卷积使用的空洞数为1,即将图像从普通卷积感受野的3×3提高到7×7。加入空洞卷积模块的YOLOv4输电线路异物检测模型结构如图3所示。
采用Mish激活函数提高训练性能,作为一种新型的激活函数,Mish激活函数是光滑的非单调性激活函数,采用下有界,上无界的方式,变化范围为[≈-0.31,∞],其下有界和上无界的属性避免了导致训练速度急剧下降的梯度饱和,非单调的属性有助于保持小的负值,从而稳定网络梯度流,光滑的属性使得模型具有较好得泛化能力和结果得有效优化能力,从而提高结果的质量,Mish函数的变化曲线如图4所示,其定义如下:
使用CLOU_Loss减少训练时的损失,并利用DIOU_nms来代替传统的NMS操作,从而进一步提升检测精度,相比于传统的通过均方差MSE来计算边界框损失,CLOU函数能够更好地利用边界框回归中常呗忽略的重叠面积、纵横比和中心点距等信息,能够考虑到自身的完整性,收敛速度更快,包围性能更好,CLOU_Loss的计算如下:
其中,b和bgt分表是B和Bgt的质心,c为覆盖地面真值和预测边界框的最小封闭框的对角线长度;ρ为欧几里得距离,α为正权衡参数,υ为计算宽高比的一致性;Bgt=(xgt,ygt,ωgt,hgt)为真实边界框,B=(x,y,ω,h)为质心坐标、宽度和高度,ωgt为真实边界框的宽度,ω为预测边界框的宽度,hgt为真实边界框的宽度,h为预测边界框的宽度。
在上述实施例的基础上,VOLOv4网络结构包括特征提取网络、路径聚合网络、Head预测网络。
在上述实施例的基础上,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整包括:
使用跨阶段局部黑暗网络作为特征提取网络,并通过空洞卷积模块分别对每层的输出特征进行空洞卷积,获得输出后的特征图;跨阶段局部黑暗网络CSPDarknet-53将Darknet-53和CSPNet集成在一起,CSP-DarkNet沿用网络的滤波器尺寸和整体结构,在每组Residual_bolock上加入一个Cross Stage Partial结构。并且CSP-DarkNet中也取消了Bottleneck的结构,减少参数使其更容易训练;
使用空间金字塔池化模块作为路径聚合网络,包括FPN和PAN,FPN自顶向下将高层的特征信息通过上采样进行传递融合,得到预测特征图,PAN进行下采样得到高层特征形成自底向上的特征金字塔;通过FPN和PAN结构的操作,对不同的检测层进行特征融合,提高特征提取的能力;
使用Head预测网络对特征图像中的多尺寸事物进行预测,并筛选得到预测的类别、置信度、位置的信息,Head预测网络获取路径聚合模块提取出的特征,并利用这些特征,作出预测。
在上述实施例的基础上,需要说明的是,根据输电线路常见的异物类型,一般选择鸟巢、风筝、气球和塑料薄膜等作为异物检测目标,同时去比目标占比较小、难以辨认和遮挡严重的图像,使得样本的选择更加合理规范。
在上述实施例的基础上,由于图像数据集大小的限制,数据集过小,训练过程无法覆盖较全面的检测场景,导致模型易出现过拟合现象,因此一般采用数据增强的方法对原始图像数据集进行扩充,数据增强方法包括高斯噪声、图像旋转和亮度变化。
噪声在图像中通常为一些会产生较强视觉效果的孤立像素点或像素块,在图像信息中与图像内容不相关,是一种扰乱图像可观测信息的元素,高斯噪声指概率密度函数服从高斯分布(正态分布)的一类噪声。其概率密度函数表示如下:
图像旋转一般包括水平垂直翻转、角度旋转等,使得图像中元素的角度相对于原始图像发生变化,由于原始图像中异物所在的位置和角度多种多样,采用图像旋转的方式可以提高模型的泛华能力,并对样本数量进行扩充。
此外,在实际的图像采集过程中,受到阳光和周围事物的影响,图像的亮度也会相差较大,经过亮度变化处理后,使得图像中异物所在位置和边缘轮廓更加清晰。
处理后的样本对比示意图如图5所示,经过上述数据增强方法对模型原始图像样本进行处理,能够扩充数据集样本数量,增加样本的多样性,而在进行扩充输电线路图像数据库样本时,通过随机选取的方式进行处理,即通过随机数生成的方式进行处理,使之符合随机性原则。
在上述实施例的基础上,对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集和验证集,具体包括:
使用LambelImg标注工具对异物进行标注,用矩形框框出目标的位置并打上标签,自动生成xml标注文件;
将训练集、验证集和测试集按照14:3:3的比例进行划分。
在本实施例中,经过扩充后的数据集共有20000个图像数据样本,经过标注处理后,其中18000个图像为有异物缠绕的输电线路图像,剩余2000个为正常的输电线路图像,在20000个图像数据样本中随机选择70%(14000个)作为训练集,15%(3000个)作为验证集,15%(3000个)作为测试集。
在上述实施例的基础上,在每一轮训练后用验证集测试模型的检测效果,直到模型的损失、精度、召回率趋于稳定后,保存好模型参数,得到最佳的VOLOv4网络模型。
为评价该模型在检验输电线路是否存在异物的准确性,本实施例中采用mAP作为评价指标,mAP的定义如下:
其中,P表示精确率,R表示召回率,其定义分别如下:
其中,当mAP用于衡量有异物部分的结果时,TP代表有异物预测正确的一类,FP代表把无异物预测为有异物的一类,FN代表将有异物预测为无异物的一类;当mAP用于衡量无异物部分结果时,TP代表把无异物预测正确的一类,FP代表将有异物预测为无异物的一类,FN代表将无异物预测为有异物的一类。
当然,也可以采用召回率、检测速度等作为评价的指标,在此处不进行具体限定。
在本实施例中,采用Win10系统,采用Pytorch作为改进的YOLOv4模型的深度学习框架,经过试验后,其目标检测结果如图6所示,包括改进的VOLOv4和原始算法的对比。
表1 各输电线路检测模型能力
检测模型 | <u>mAP</u> |
SSD | 67.51% |
YOLOv3 | 75.47% |
YOLOv4 | 82.43% |
<u>Faster-RCNN</u> | 85.20% |
改进的VOLOv4 | 87.41% |
根据表1的对比可知,本发明提出的改进的VOLOv4模型在输电线路异物检测的平均准确率为87.41%,相比于其他检测模型能力得到提升,有效提高了输电线路上异物检测的精度,能够为输电线路的异物检测提供参考,在实际应用过程中可以更快地识别出输电线路上所存在的异物,及时发现输电线路所存在的安全隐患。
本发明还提供一种输电线电路异物识别检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述输电线电路异物识别检测方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现上述输电线电路异物识别检测方法的步骤。
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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(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。
本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种输电线电路异物识别检测方法,其特征在于,包括:
采集输电线路图像,构建输电线路图像数据库;
采用数据增强的方法扩充输电线路图像数据库样本,增加样本多样性;
对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集、验证集和测试集;
基于VOLOv4算法,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整,使用空洞卷积模块提高模型对特征的学习能力,设置不同的卷积膨胀率提高输电线路图像的感受野大小,使用Mish激活函数提高训练性能,使用CLOU_Loss减少训练时的损失;
将输电线路图像的训练集和验证集输入到改进后的VOLOv4网络结构中进行训练和验证,得到最佳的VOLOv4网络模型;
利用最佳的VOLOv4网络模型对测试集图像进行异物识别与检测,判断出测试集样本中是否存在异物。
3.根据权利要求1所述的输电线电路异物识别检测方法,其特征在于,所述VOLOv4网络结构包括特征提取网络、路径聚合网络、Head预测网络。
4.根据权利要求3所述的输电线电路异物识别检测方法,其特征在于,根据使用需求对用于特征提取的VOLOv4网络结构进行优化调整包括:
使用跨阶段局部黑暗网络作为特征提取网络,并通过空洞卷积模块分别对每层的输出特征进行空洞卷积,获得输出后的特征图;
使用空间金字塔池化模块作为路径聚合网络,包括FPN和PAN,FPN自顶向下将高层的特征信息通过上采样进行传递融合,得到预测特征图,PAN进行下采样得到高层特征形成自底向上的特征金字塔;
使用Head预测网络对特征图像中的多尺寸事物进行预测,并筛选得到预测的类别、置信度、位置的信息。
5.根据权利要求1所述的输电线电路异物识别检测方法,其特征在于,所述数据增强方法包括高斯噪声、图像旋转和亮度变化。
6.根据权利要求1所述的输电线电路异物识别检测方法,其特征在于,所述扩充输电线路图像数据库样本通过随机选取的方式进行处理。
7.根据权利要求1所述的输电线电路异物识别检测方法,其特征在于,所述对扩充后的输电线路图像数据集进行标签化处理,获得异物的边框位置信息,并将图像数据集划分为训练集和验证集,具体包括:
使用LambelImg标注工具对异物进行标注,用矩形框框出目标的位置并打上标签,自动生成xml标注文件;
将所述训练集、所述验证集和所述测试集按照14:3:3的比例进行划分。
8.根据权利要求1所述的输电线电路异物识别检测方法,其特征在于,在每一轮训练后用验证集测试模型的检测效果,直到模型的损失、精度、召回率趋于稳定后,保存好模型参数,得到最佳的VOLOv4网络模型。
9.一种输电线电路异物识别检测设备,其特征在于,包括
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1~8所述的输电线电路异物识别检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序可被计算机读出,所述计算机程序被执行时实现如权利要求1~8任一项所述的输电线电路异物识别检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050920.5A CN115327301A (zh) | 2022-08-30 | 2022-08-30 | 一种输电线电路异物识别检测方法、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050920.5A CN115327301A (zh) | 2022-08-30 | 2022-08-30 | 一种输电线电路异物识别检测方法、设备及储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327301A true CN115327301A (zh) | 2022-11-11 |
Family
ID=83928455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050920.5A Pending CN115327301A (zh) | 2022-08-30 | 2022-08-30 | 一种输电线电路异物识别检测方法、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327301A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385954A (zh) * | 2023-02-15 | 2023-07-04 | 江苏方天电力技术有限公司 | 一种高精度输电线路异常检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
CN114049313A (zh) * | 2021-10-28 | 2022-02-15 | 上海电机学院 | 一种基于改进YOLOv4的锂电池缺陷检测方法 |
CN114445706A (zh) * | 2022-01-25 | 2022-05-06 | 南京工程学院 | 一种基于特征融合的输电线路目标检测与识别方法 |
-
2022
- 2022-08-30 CN CN202211050920.5A patent/CN115327301A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
CN114049313A (zh) * | 2021-10-28 | 2022-02-15 | 上海电机学院 | 一种基于改进YOLOv4的锂电池缺陷检测方法 |
CN114445706A (zh) * | 2022-01-25 | 2022-05-06 | 南京工程学院 | 一种基于特征融合的输电线路目标检测与识别方法 |
Non-Patent Citations (2)
Title |
---|
唐小敏;舒远仲;刘文祥;刘金梅;: "基于SSD深度网络的河道漂浮物检测技术研究", 计算机技术与发展, no. 9, 10 September 2020 (2020-09-10), pages 160 - 164 * |
赵志宏: "Python数据分析与应用", 30 June 2022, 机械工业出版社, pages: 166 - 187 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385954A (zh) * | 2023-02-15 | 2023-07-04 | 江苏方天电力技术有限公司 | 一种高精度输电线路异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN113192040B (zh) | 一种基于YOLO v4改进算法的织物瑕疵检测方法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN112446870B (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN109815798A (zh) | 无人机图像处理方法及系统 | |
CN113326925B (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN103278511A (zh) | 基于多尺度角点特征提取的晶片缺陷检测方法 | |
CN115661160B (zh) | 一种面板缺陷检测方法及系统及装置及介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN110909623A (zh) | 三维目标检测方法及三维目标检测器 | |
CN115327301A (zh) | 一种输电线电路异物识别检测方法、设备及储存介质 | |
CN112036249A (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 |
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 |