CN116543346A - 一种基于深度学习的输电线路视频山火检测方法 - Google Patents
一种基于深度学习的输电线路视频山火检测方法 Download PDFInfo
- Publication number
- CN116543346A CN116543346A CN202310504887.7A CN202310504887A CN116543346A CN 116543346 A CN116543346 A CN 116543346A CN 202310504887 A CN202310504887 A CN 202310504887A CN 116543346 A CN116543346 A CN 116543346A
- Authority
- CN
- China
- Prior art keywords
- branch
- convolution
- transmission line
- size
- module
- 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 51
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 239000000779 smoke Substances 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 11
- 101150064138 MAP1 gene Proteins 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 210000001364 upper extremity Anatomy 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种基于深度学习的输电线路视频山火检测方法，属于目标检测领域。本发明针对输电线路山火及烟雾特征难以提取的问题，设计多层次特征图融合方法，使得提取到的特征能够更好的反应山火及烟雾特性，最终对山火及烟雾检测并输出相应的报警信息，有很强的应用前景。具体的，为了提高输电线路山火及烟雾特征提取能力，进行多层次特征图融合，针对不同大小目标，设计不同尺寸的预测特征图，从而更加精确的预测不同尺度大小的山火及烟雾目标；为了更好的学习山火及烟雾特征及小目标特征，引入优化的自注意力机制，进一步提高输电线路山火检测精度，最终模型可嵌入到视频监控中，输出结果可视化具有可读性和较强的应用性。
Description
技术领域
本发明属于目标检测领域，特别是对视频图像监控山火的检测方法。
背景技术
山火一直是云南电网输电线路跳闸的主要原因之一，在输电线路走廊内发生山火时，重合闸成功率很低，进而会影响输电线路安全。随着智能化电网的逐步开展，电网部门积累了大量的输电线路视频监控数据、历史山火数据，但是在目前的输电线路山火检测过程中，容易受到天空云层和阳光等影响，进而产生大量的错误检测和错误报警。在输电线路山火检测中，传统的方法是通过提取烟雾和山火形状及颜色特征，也有基于深度学习的方法，使用目标检测网络自动的学习烟雾及山火的特征。但是，受制于应用场景的复杂性，这些研究都不能较好的减少错误检测和错误报警。
发明内容
本发明目的在于提供一种基于深度学习的输电线路视频山火检测方法，用于解决现有输电线路视频山火检测方法精度不高的问题，依靠自注意力机制的添加，可以进一步提高目标检测网络提取山火及烟雾的特征。本发明解决了目前输电线路视频山火及烟雾特征难以提取的问题，解决了目前输电线路视频山火及烟雾错误检测多的问题。
为实现上述目的，本发明的技术方案是：一种基于深度学习的输电线路视频山火检测方法，该方法包括：
步骤1：获取输电线路视频监控山火图像；
步骤2：对收集到的输电线路视频监控图像中的山火及烟雾进行标注，标签记为烟雾和火，获得训练数据集；
步骤3：采取泊松融合、随机裁剪、随机翻转和随机噪声添加的方法，对现有的输电线路视频监控山火图像进行数据集扩充；
步骤4：搭建山火检测网络；
步骤4.1：训练图像输入后首先经过特征提取网络，得到3个不同尺度的特征图，其中特征图1尺寸大小为20×20×1024，特征图2尺寸大小为40×40×512，特征图3尺寸大小为80×80×256；
步骤4.2：对获得的特征图进行特征融合，将特征图1进行1×1的卷积，降维到512维，得到融合特征图1，大小为20×20×512；再将特征图1上采样，之后进行1×1的卷积，降维到256维度，与特征图2相加，获得融合特征图2，大小为40×40×256；再将特征图2上采样，之后进行1×1的卷积，降维到128维度，与特征图相加，获得融合特征图3，大小为80×80×128；进一步地，对融合特征图3进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图2相加，得到第二路分支输出；对融合特征图2进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图1相加，得到第一路分支输出；
步骤4.3：对第一路分支输出、第二路分支输出和融合特征图3分别通过3×3的卷积层1和批归一化层1；再分别通过3×3的卷积层2、批归一化层2和激活层，分别得到预测特征图1，大小为20×20×21，预测特征图2，大小为40×40×21，预测特征图3，大小为80×80×21；并最终在三个预测特征图进行回归和分类操作，判断是否发生火灾和发生火灾的位置；
步骤5：将步骤3中获得的数据集作为输入，训练一个步骤4得到的山火监测网络；
步骤6：进行山火检测应用时，具体为输入输电线路监控图像，并进行图像1024×1024的缩放，最终获得山火烟雾的检测框，并进行山火烟雾报警。
进一步的，所述步骤4.1中，特征提取网络为：训练图像首先经过四个特征提取网络第一模块，再串联两个第二模块，再串联一个卷积核大小为3的第一模块结构，再并联两个第二模块后，通过注意力机制模块，注意力机制模块由通道自注意力模块和空间注意力模块串联而成；最后串联一个第三模块，第三模块的输出为特征提取网络的最后输出；
所述第一模块由卷积层、批归一化层和SiLU激活函数层组成；
所述第二模块由两支组成，上支结构经过卷积核大小为1的第一模块结构后作为上肢输出；下支为卷积核大小为1的第一模块结构，再串联四个卷积核大小为3的第一模块结构后作为输出；在下支中第三个卷积核大小为3的第一模块结构进行分路与上肢合并后再与下支的输出合并，合并后，
所述第三模块由两支组成，上支为最大池化和卷积核大小为1的池化下采样，下支为卷积核Kernel大小为1和卷积核Kernel大小为3，卷积步长为2的串联卷积池化下采样，最终将两个结果进行维度的拼接，作为第三模块的输出。
进一步的，所述步骤5中，训练轮次为200，采用随机梯度下降优化器，初始动量为0.9，动量衰减率为0.002，初始学习率为0.01，学习率衰减为0.00002/轮，批尺寸为8。
进一步的，所述步骤4.1中，通道自注意力模块主要由池化层和卷积层构成，分为两支，一支为最大池化操作，另一支为平均池化操作，然后分别输入到共享卷积层中，主要为串联的两个全连接层，第一个全连接层神经元个数为64，第二个全连接神经元个数为512，然后再将两支输出进行相加操作，最后经过Sigmoid再与输入特征相乘，获得空间注意力机制的输入特征；空间注意力机制主要也由池化层和卷积层构成，也分为两支，一支为最大池化操作，另一支为平均池化操作，然后合并两个结果，然后经过一个7×7的卷积层，将维度降到1维，最后经过Sigmoid再与输入特征做乘法，获得最终特征图。
本发明采用一种基于深度学习的输电线路视频图像山火检测方法，具有精度高，定位准，速度快的优点；本发明通过搭建山火检测网络对输电线路视频监控图像中山火及其烟雾进行特征提取，使得提取的特征可以很好的和自然云雾区分开，山火及其烟雾目标检测精度更高。为了提高对视频监控图像中小目标山火的检测精度，进一步的，在网络结构中设计了多种特征图融合的方法，提高特征图提取山火及其烟雾特征的能力，进一步的，针对云南地区山火及其烟雾特征特点，设计自注意力模块，减少了视频监控图像中山火及其烟雾的错误检测情况，同时由于轻量化模型的特点，模型参数量低，模型可以很好的嵌入视频监控流程中。为了能够将本发明落入应用且便于可视化，引入结果报警和山火及烟雾检测定位，具有完备的输电线路山火及其烟雾检测功能。本发明提出了一种基于深度学习的输电线路视频图像山火检测方法。该方法从多层次融合特征图的方向入手，将输电线路视频监控图像山火及其烟雾进行高精度学习，并多次进行模型参数调优，研究制定了一套输电线路山火检测流程，构建了一个高精度的输电线路山火检测模型，可用于电网输电线路防灾减灾。
附图说明
图1是本发明基于深度学习的输电线路视频图像山火检测方法的流程图；
图2是本发明的山火检测网络结构图；
图3是本发明的自注意力模块结构图；
图4是本发明的输电线路视频图像山火检测结果图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明的技术方案如图1，以云南省昆明市某输电线路为例进行说明，包括以下步骤：
步骤1：数据处理与数据集制作
首先，将获得的输电线路监控数据进行数据清洗，获取输电线路包含有山火的数据，共376张。随后对监控图像中的山火目标进行标注，标签记为山火。对标记好的监控图像进行数据增广，主要包括泊松融合方法、随机裁剪和随机翻转等，增广后共1443张。
步骤2：山火检测模型构建
山火监测模型构建如图2，首先构建特征提取模块，主要构成类似深度残差网络，分别得到原始的特征图1、特征图2和特征图3，大小分别为20×20×1024、40×40×512和80×80×256；其次在特征图1之前引入自注意力模块，首先是通道自注意力机制，主要分为两支，一支为最大池化，另一只为平均池化，得到两个1×1×512的特征图，再分别送入到串联的全连接层中，神经元个数分别为64和512，然后再将两支输出进行相加操作，最后经过Sigmoid再与输入特征相乘，获得空间注意力机制的输入特征；然后是空间自注意力机制，主要也分为两支，一支为最大池化，另一支为平均池化，得到两个20×20×1的特征图，随后将两个特征图进行通道拼接，经过一个7×7的卷积层，再经过一个Sigmoid再与通道自注意力的输出特征相乘，获得自注意力机制的特征输出，最后，自注意力机制的特征输出再与输入特征相加，获得最后的特征；其次，构建特征融合模块，主要为将特征图1进行上采样，通过1×1卷积进行降维，获得融合特征图1，大小为20×20×512；再将特征图1上采样，之后进行1×1的卷积，降维到256维度，与特征图2相加，获得融合特征图2，大小为40×40×256；再将特征图2上采样，之后进行1×1的卷积，降维到128维度，与特征图相加，获得融合特征图3，大小为80×80×128；随后进行二次融合操作，主要将融合特征图3进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并，再与融合特征图2相加；对融合特征图2进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并，再与融合特征图1相加；对多层次融合后的融合特征图1、融合特征图2和融合特征图3再分别进行3×3的卷积和批归一化层，再进行3×3的卷积和批归一化层和激活层，得到最后用于预测不同大小目标的预测特征图1、预测特征图2和预测特征图3，最后在三个特征图上分别进行类别的分类和检测目标的位置回归，判断是否发生火灾和发生火灾的位置；
步骤3：山火检测网络训练
对于步骤1获得的训练数据，设计好相应的VOC2012训练数据格式，放入到步骤2搭建的输电线路山火检测模型中，网络模型涉及到的训练参数主要包括优化器、学习速率、学习率衰减量、批尺寸、初始动量值、动量衰减量和训练轮次。其中优化器和学习速率为比较重要的参数，具体参数如表1所示。完成训练后，保存最优的训练模型。
表1山火检测模型涉及的部分超参数
步骤4：山火检测模型测试及应用
重新获取不同于步骤1的输电线路监控数据，输入到步骤3训练好的最优模型中，将最终的测试结果与真值进行对比，进行精度指标计算，如果发生山火同时输出对应的报警信息，测试结果如表2。
表2山火检测精度结果
步骤5：结果验证与说明
以本次实例来看，输电线路山火特征难以得到提取，经常与自然云雾产生混淆，山火及烟雾这类特征可以很好的在本发明的山火检测网络中精确的定位并检测出来，且检测精度高于80％，检测速度也高达20FPS以上，基本可以实现实时检测。查看图4，可以看出不管是大目标和小目标的山火及烟雾都可以很好的被检测出来，且产生的错误检测相对很少，可以很好的支撑电网输电线路的山火防灾减灾。
本发明的有益效果是能够快速且高精度的检测到输电线路监控数据中的山火及烟雾目标，并输出相应的报警信息。由本发明训练得到的山火检测模型，对于输电线路山火及烟雾检测可以达到80％意思，结果具有较高的可信度。可用于电网运维过程中的输电线路山火防控工作。
Claims (4)
1.一种基于深度学习的输电线路视频山火检测方法，该方法包括：
步骤1：获取输电线路视频监控山火图像；
步骤2：对收集到的输电线路视频监控图像中的山火及烟雾进行标注，标签记为烟雾和火，获得训练数据集；
步骤3：采取泊松融合、随机裁剪、随机翻转和随机噪声添加的方法，对现有的输电线路视频监控山火图像进行数据集扩充；
步骤4：搭建山火检测网络；
步骤4.1：训练图像输入后首先经过特征提取网络，得到3个不同尺度的特征图，其中特征图1尺寸大小为20×20×1024，特征图2尺寸大小为40×40×512，特征图3尺寸大小为80×80×256；
步骤4.2：对获得的特征图进行特征融合，将特征图1进行1×1的卷积，降维到512维，得到融合特征图1，大小为20×20×512；再将特征图1上采样，之后进行1×1的卷积，降维到256维度，与特征图2相加，获得融合特征图2，大小为40×40×256；再将特征图2上采样，之后进行1×1的卷积，降维到128维度，与特征图相加，获得融合特征图3，大小为80×80×128；进一步地，对融合特征图3进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图2相加，得到第二路分支输出；对融合特征图2进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图1相加，得到第一路分支输出；
步骤4.3：对第一路分支输出、第二路分支输出和融合特征图3分别通过3×3的卷积层1和批归一化层1；再分别通过3×3的卷积层2、批归一化层2和激活层，分别得到预测特征图1，大小为20×20×21，预测特征图2，大小为40×40×21，预测特征图3，大小为80×80×21；并最终在三个预测特征图进行回归和分类操作，判断是否发生火灾和发生火灾的位置；
步骤5：将步骤3中获得的数据集作为输入，训练一个步骤4得到的山火监测网络；
步骤6：进行山火检测应用时，具体为输入输电线路监控图像，并进行图像1024×1024的缩放，最终获得山火烟雾的检测框，并进行山火烟雾报警。
2.如权利要求1所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤4.1中，特征提取网络为：训练图像首先经过四个特征提取网络第一模块，再串联两个第二模块，再串联一个卷积核大小为3的第一模块结构，再并联两个第二模块后，通过注意力机制模块，注意力机制模块由通道自注意力模块和空间注意力模块串联而成；最后串联一个第三模块，第三模块的输出为特征提取网络的最后输出；
所述第一模块由卷积层、批归一化层和SiLU激活函数层组成；
所述第二模块由两支组成，上支结构经过卷积核大小为1的第一模块结构后作为上肢输出；下支为卷积核大小为1的第一模块结构，再串联四个卷积核大小为3的第一模块结构后作为输出；在下支中第三个卷积核大小为3的第一模块结构进行分路与上肢合并后再与下支的输出合并，作为第二模块的输出；
所述第三模块由两支组成，上支为最大池化和卷积核大小为1的池化下采样，下支为卷积核Kernel大小为1和卷积核Kernel大小为3，卷积步长为2的串联卷积池化下采样，最终将两个结果进行维度的拼接，作为第三模块的输出。
3.如权利要求1所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤5中，训练轮次为200，采用随机梯度下降优化器，初始动量为0.9，动量衰减率为0.002，初始学习率为0.01，学习率衰减为0.00002/轮，批尺寸为8。
4.如权利要求2所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤4.1中，通道自注意力模块主要由池化层和卷积层构成，分为两支，一支为最大池化操作，另一支为平均池化操作，然后分别输入到共享卷积层中，主要为串联的两个全连接层，第一个全连接层神经元个数为64，第二个全连接神经元个数为512，然后再将两支输出进行相加操作，最后经过Sigmoid再与输入特征相乘，获得空间注意力机制的输入特征；空间注意力机制主要也由池化层和卷积层构成，也分为两支，一支为最大池化操作，另一支为平均池化操作，然后合并两个结果，然后经过一个7×7的卷积层，将维度降到1维，最后经过Sigmoid再与输入特征做乘法，获得最终特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504887.7A CN116543346A (zh) | 2023-05-06 | 2023-05-06 | 一种基于深度学习的输电线路视频山火检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504887.7A CN116543346A (zh) | 2023-05-06 | 2023-05-06 | 一种基于深度学习的输电线路视频山火检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116543346A true CN116543346A (zh) | 2023-08-04 |
Family
ID=87457235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310504887.7A Pending CN116543346A (zh) | 2023-05-06 | 2023-05-06 | 一种基于深度学习的输电线路视频山火检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543346A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423047A (zh) * | 2023-12-19 | 2024-01-19 | 深圳须弥云图空间科技有限公司 | 基于特征图像的计数方法、装置、电子设备及存储介质 |
| CN117690063A (zh) * | 2024-02-04 | 2024-03-12 | 广东电网有限责任公司广州供电局 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
-
2023
- 2023-05-06 CN CN202310504887.7A patent/CN116543346A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423047A (zh) * | 2023-12-19 | 2024-01-19 | 深圳须弥云图空间科技有限公司 | 基于特征图像的计数方法、装置、电子设备及存储介质 |
| CN117690063A (zh) * | 2024-02-04 | 2024-03-12 | 广东电网有限责任公司广州供电局 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
| CN117690063B (zh) * | 2024-02-04 | 2024-04-12 | 广东电网有限责任公司广州供电局 | 电缆线路检测方法、装置、电子设备与计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116543346A (zh) | 一种基于深度学习的输电线路视频山火检测方法 | |
| CN110443969A (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
| CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
| CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
| CN113095437B (zh) | 一种Himawari-8遥感数据的火点检测方法 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
| CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
| CN116310850B (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
| CN114140750A (zh) | 一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法 | |
| CN115761627A (zh) | 一种火灾烟雾火焰图像识别方法 | |
| CN115240069A (zh) | 一种全雾天场景下的实时性障碍物检测方法 | |
| CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
| CN117237696A (zh) | 基于YOLOv5与注意力机制的变电站杂草检测方法及系统 | |
| CN116704360A (zh) | 一种基于时空特征融合的卫星遥感火点实时监测方法 | |
| CN115526852A (zh) | 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用 | |
| Wang et al. | Learning precise feature via self-attention and self-cooperation YOLOX for smoke detection | |
| CN115346068A (zh) | 一种铁路货运列车螺栓丢失故障图像自动生成方法 | |
| CN113971775B (zh) | 一种基于优化yolov4算法的违章行为识别方法及系统 | |
| CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
| CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
| CN111353412B (zh) | 端到端的3D-CapsNet火焰检测方法及装置 | |
| CN115661429B (zh) | 一种锅炉水冷壁管缺陷识别系统、方法和存储介质 | |
| CN116469029A (zh) | 一种基于多层感知机网络的油田现场违章行为识别方法 |
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 |