CN117392551B - 一种基于鸟粪图像特征的电网鸟害识别方法及系统 - Google Patents
一种基于鸟粪图像特征的电网鸟害识别方法及系统 Download PDFInfo
- Publication number
- CN117392551B CN117392551B CN202311698913.0A CN202311698913A CN117392551B CN 117392551 B CN117392551 B CN 117392551B CN 202311698913 A CN202311698913 A CN 202311698913A CN 117392551 B CN117392551 B CN 117392551B
- Authority
- CN
- China
- Prior art keywords
- bird
- image
- bert
- model
- feature
- 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
- 210000003608 fece Anatomy 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 101
- 239000012212 insulator Substances 0.000 claims abstract description 152
- 238000007689 inspection Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000004140 cleaning Methods 0.000 claims abstract description 30
- 230000002265 prevention Effects 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000007246 mechanism Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000003631 expected effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003373 anti-fouling effect Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 241000894007 species Species 0.000 description 25
- 241000271566 Aves Species 0.000 description 21
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 241000272201 Columbiformes Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002940 repellent Effects 0.000 description 2
- 239000005871 repellent Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001137251 Corvidae Species 0.000 description 1
- 239000008896 Opium Substances 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000002515 guano Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100001160 nonlethal Toxicity 0.000 description 1
- 229960001027 opium Drugs 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明公开了一种基于鸟粪图像特征的电网鸟害识别方法及系统,该方法通过获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位;使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测;使用特征匹配模型根据鸟粪图像特征数据识别鸟类种类;根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略;本发明通过绝缘子上鸟粪图像来推断鸟类种类,制定防鸟粪污染策略以及环境状态防污策略,只需要汇总绝缘子巡检图像,对其中的带鸟粪的绝缘子巡检图像进行分析即可,大大降低了防鸟监测成本。
Description
技术领域
本发明涉及绝缘子维护检测技术领域,具体为一种基于鸟粪图像特征的电网鸟害识别方法及系统。
背景技术
绝缘子是电力变电站中用于支持、固定导线并防止导线与支架等之间发生电气接触的设备。由于绝缘子位于室外,长期暴露在自然环境中,位于电力变电站的高处,远离地面,因此成为许多鸟类选择栖息的理想场所。鸟类在绝缘子上栖息的同时也会排泄粪便,导致绝缘子表面被鸟粪覆盖;而鸟粪本身具有导电性并且含有水分,绝缘子被鸟粪覆盖可能导致导线短路、线路故障甚至停电,给电力系统带来安全隐患和停运的风险。因此,对绝缘子的鸟粪覆盖进行及时检测和清理以确保电力输电的稳定和可靠性至关重要。
绝缘子鸟粪覆盖等缺陷图像智能检测分为两个主要部分。首先是对绝缘子的识别,然后是在被识别的绝缘子上进行鸟粪等缺陷的检测。传统机器视觉图像分割算法,如边缘检测、模板匹配和阈值分割等,为绝缘子可见光图像分析提供了参考思路。然而,这些方法存在以下主要缺点:一是依赖具体检测任务和工作环境,易受图像采样质量影响,缺乏鲁棒性;二是依赖人工设计的特征工程;三是复杂的缺陷检测准确率不高。
近年来,深度学习技术提供了解决传统机器视觉技术瓶颈的新思路。一些研究使用深度学习算法解决光伏组件鸟粪覆盖的图像检测问题。其中,有基于深度置信网络和反向传播算法微调的方法,建立了绝缘子训练样本与无缺陷模板之间的映射关系,并验证了映射关系及缺陷检测的有效性。还有基于卷积神经网络的方法,用于绝缘子鸟粪覆盖缺陷的变化趋势预测和故障预警,以及基于快速区域卷积神经网络的绝缘子红外图像缺陷检测。
现有技术虽然有进行电力设备鸟粪覆盖识别的报道,但是主要目的是缺陷检测,尚无通过鸟粪图像检测来判断鸟类种类,进而制定防治鸟害策略的研究。
发明内容
本发明的目的在于提供一种基于鸟粪图像特征的电网鸟害识别方法及系统,使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类,根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
为实现上述目的,本发明提供如下技术方案:一种基于鸟粪图像特征的电网鸟害识别方法,包括如下步骤:
步骤S1:获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;
步骤S2:使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位,得到绝缘子区域;
步骤S3:使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;
步骤S4:使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;所述BERT-FC特征匹配模型由BERT模型与全连接层组成,所述全连接层位于BERT模型之后,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化;
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器,每个转换器都包含6个编码层,各转换器之间运用基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系;所述转换器为Transformer网络;
所述全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;所述全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成;
步骤S5:根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
进一步的,所述目标检测模型采用改进Faster-RCNN模型,所述改进Faster-RCNN模型是将Faster-RCNN模型的特征提取网络由VGGNet替换为Inception V4网络模型,所述改进Faster-RCNN模型由Inception V4网络模型、区域建议网络和检测网络组成。
进一步的,所述使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类的过程如下:
步骤S4.1:收集各种鸟类的鸟粪图像样本,并对鸟粪图像样本进行多维度的特征分析和标注,得到鸟粪图像特征数据,形成鸟粪图像特征数据集,并按预设比例划分为训练集、验证集和测试集;
步骤S4.2:构建BERT-FC特征匹配模型,BERT-FC特征匹配模型输入为鸟粪图像特征数据,输出为鸟类种类,使用训练集对BERT-FC特征匹配模型进行训练,得到训练好的BERT-FC特征匹配模型,并通过验证集进行验证,通过测试集测试合格后,训练完毕;
步骤S4.3:当得到一个未知鸟类种类的鸟粪图像时,通过对该鸟粪图像进行特征抽取,把未知鸟类种类的鸟粪图像特征数据输入到训练好的BERT-FC特征匹配模型中,训练好的BERT-FC特征匹配模型根据未知鸟类种类的鸟粪图像特征数据输出对应的鸟类种类。
进一步的,所述步骤S4.2的具体过程为:使用训练集对BERT-FC特征匹配模型的超参数进行优化,通过迭代训练,调整和更新BERT-FC特征匹配模型的权重;
使用验证集对迭代后的BERT-FC特征匹配模型进行性能评估,确定迭代后的BERT-FC特征匹配模型是否过拟合以及超参数是否符合要求;
使用验证集反馈迭代后的BERT-FC特征匹配模型的表现结果来调整迭代后的BERT-FC特征匹配模型的超参数;
当调整后的BERT-FC特征匹配模型通过验证集的表现达到预期效果后,使用测试集对调整后的BERT-FC特征匹配模型的性能进行测试,测试结果符合要求,将训练好的BERT-FC特征匹配模型进行部署使用;测试结果不符合要求,调整BERT-FC特征匹配模型的超参数,并对调整后的BERT-FC特征匹配模型进行迭代训练。
进一步的,Inception V4网络模型采用交叉熵损失作为损失函数,Inception V4网络模型的求解梯度的优化器采用Adam优化算法。
进一步的,所述BERT模型输出的是一个长度为n的特征向量,表示特征向
量的维度,其中每个元素代表了输入图像在BERT模型中的一个特征;在BERT-FC特征匹配模
型中,将特征向量映射到M个类别上,使用一个M维的权重矩阵将特征向量H
映射到一个长度为M的特征向量,其映射方式如下式所示:
;
式中,Z表示映射后的特征向量,是偏置向量;
映射完成后,将映射后的特征向量Z作为全连接层的输入,经过Softmax函数进行
归一化,得到每个类别的概率分布,如下式所示:
;
式中,表示第i个类别的概率;表示第i个映射后的特征向量;将BERT-FC特征
匹配模型的预测结果设为概率最大的那个类别,如下式所示:
;
式中,表示BERT-FC特征匹配模型的预测结果;表示在所有类别的概率
中选取最大值的索引,即对于所有类别,选取使得最大的类别作为最终预测结果的索引。
进一步的,步骤S2中的特征融合算法采用多特征显著性融合算法,具体过程为:计算绝缘子巡检图像中每块像素区域的色度、梯度和纹理的显著性特征,通过使用中心距离差值法,将绝缘子巡检图像的色度、梯度和纹理的显著性值加权融合,得到绝缘子巡检图像中每块像素区域的最终显著性值,使用旋转卡壳法,确定绝缘子巡检图像中每块像素区域的最小外接矩形,实现对绝缘子巡检图像中的绝缘子的定位。
进一步的,计算绝缘子巡检图像中每块像素区域的色度的显著性特征具体过程为:将采集到的绝缘子巡检图像转换到HSV颜色空间进行特征提取,将色相分量划分为不同的颜色区间,遍历每个像素,并将其色相值分配到相应的颜色区间中,得到颜色直方图,利用均值漂移聚类算法将颜色直方图中颜色相同的像素聚集在一起,通过计算每个像素块的显著性值,得到绝缘子巡检图像颜色显著性值;
计算绝缘子巡检图像中每块像素区域的梯度的显著性特征具体过程为:将绝缘子巡检图像进行颜色空间归一化并转换为灰度图像,然后计算灰度图像的梯度,得到梯度直方图,通过均值漂移聚类算法计算梯度直方图的梯度显著性,得到绝缘子巡检图像的梯度显著性值。
进一步的,计算绝缘子巡检图像中每块像素区域的纹理的显著性特征具体过程为:将绝缘子巡检图像转化为灰度图像,并形成灰度矩阵,利用灰度矩阵计算灰度共生矩阵,通过灰度共生矩阵对比度统计量来表达绝缘子巡检图像纹理显著性值。
本发明还提供一种基于鸟粪图像特征的电网鸟害识别系统,包括:
数据收集模块:用于获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;
图像定位模块:用于使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位,得到绝缘子区域;
特征提取模块:用于使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;
数据识别模块:用于使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;所述BERT-FC特征匹配模型由BERT模型与全连接层组成,所述全连接层位于BERT模型之后,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化;
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器,每个转换器都包含6个编码层,各转换器之间运用基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系;所述转换器为Transformer网络;
所述全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;所述全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成;
清理制定模块:用于根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
与现有的技术相比,本发明具备以下有益效果:
本发明利用特征融合算法,综合颜色、种类、背景等多维特征,更精确地检测和定位绝缘子,此方法通过优化目标区域的显著性,增强了抗干扰能力,提升了结果可信度。然后采用改进Faster-RCNN模型识别鸟粪覆盖区域,并提取鸟粪图像特征数据。
通过BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类,根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。不同的鸟粪成分有所不同,在清理时应采用不同的清洁策略,鸟类种类不同,防鸟策略也不同。本发明通过绝缘子上鸟粪来推断鸟类种类,制定防鸟粪污染策略以及环境状态防污策略,相较于在各地绝缘子或变电站区域安装监控设备来监控鸟类的活动,根据鸟类的图像识别鸟类种类,虽然准确率未必有鸟类图像识别法高,但是本发明的方法无需在各输电线路和变电站上安装监测设备,只需要汇总绝缘子巡检图像,对其中的带鸟粪的绝缘子巡检图像进行分析即可,大大降低了防鸟监测成本。
附图说明
图1为本发明的方法流程图。
图2为本发明的多特征显著性融合算法流程图。
图3为本发明的颜色显著性值的计算方法流程图。
图4为本发明的梯度显著性值的计算方法流程图。
图5为本发明的纹理显著性值的计算方法流程图。
图6为本发明的改进Faster-RCNN模型结构示图。
图7为本发明的Inception V4网络模型结构示意图。
图8为本发明的BERT-FC特征匹配模型结构示意图。
图9为本发明的系统结构示意图。
具体实施方式
如图1所示,本发明提供技术方案:一种基于鸟粪图像特征的电网鸟害识别方法,包括如下步骤:
步骤S1:利用无人机或定点摄像头等数据收集模块,高分辨率地获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;确保所采集的各绝缘子巡检图像覆盖绝缘子的各个区域,并提供多角度、多视角的视图以便后续处理;
步骤S2:使用特征融合算法对绝缘子巡检图像数据集内绝缘子巡检图像中的绝缘子进行精确定位,得到绝缘子区域;
步骤S3:使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;目标检测模型采用改进Faster-RCNN模型;
步骤S4:使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;
步骤S5:根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
如图2所示,步骤S2中的特征融合算法采用多特征显著性融合算法,其已被证明能够成功定位和检测在不同颜色、种类和背景下的绝缘子;具体过程为:计算绝缘子巡检图像中每块像素区域的色度、梯度和纹理的显著性特征,通过使用中心距离差值法,将绝缘子巡检图像的色度、梯度和纹理的显著性值加权融合,得到绝缘子巡检图像中每块像素区域的最终显著性值,使用旋转卡壳法,确定绝缘子巡检图像中每块像素区域的最小外接矩形,实现对绝缘子巡检图像中的绝缘子的精确定位。
颜色显著性是一种较为明显的特征,因为它对目标的大小、形状和位置的依赖性最小,为了描述颜色特征,首先需要选择一个合适的颜色空间,常用的颜色空间之一是HSV空间,其中H代表色相、S代表饱和度、V代表色调,根据绝缘子的颜色特征,将采集到的绝缘子巡检图像转换到HSV颜色空间进行特征提取;如图3所示,为了表示绝缘子巡检图像的颜色特征,可以使用颜色直方图,首先,将色相分量H划分为不同的颜色区间,然后遍历每个像素,并将其色相值分配到相应的颜色区间中,从而得到颜色直方图,接下来,可以利用均值漂移聚类算法将颜色直方图中颜色相近的像素聚集在一起,通过计算每个像素块的显著性值,得到绝缘子巡检图像颜色显著性值。
如图4所示,对于绝缘子巡检图像的梯度显著性,绝缘子的边缘处梯度值的变化往往较大,而在相对平滑的区域中,梯度值变化较小,因此,可以利用绝缘子巡检图像的梯度特征来进行目标检测;使用方向梯度直方图来描述绝缘子巡检图像的梯度特征,首先,将绝缘子巡检图像进行颜色空间归一化并转换为灰度图像,然后计算其梯度,得到梯度直方图,通过均值漂移聚类算法计算梯度直方图的梯度显著性,可以得到绝缘子巡检图像的梯度显著性值。
如图5所示,纹理显著性可以有效消除绝缘子巡检图像中背景的干扰,纹理是由图像灰度在空间上的规律分布所形成的,任意两个像素在空间中都有特定的对应关系,灰度共生矩阵可以用来描述这种对应关系,表示了像素对同时出现的概率;因此,可以通过灰度共生矩阵提取绝缘子巡检图像的纹理特征,首先,将绝缘子巡检图像转化为灰度图像,并形成灰度矩阵,然后利用灰度矩阵计算灰度共生矩阵,通过灰度共生矩阵对比度统计量来表达绝缘子巡检图像纹理显著性值。
使用中心距离差值法将绝缘子巡检图像的颜色显著性值、梯度显著性值和纹理显著性值加权融合,同时考虑到颜色显著性值、梯度显著性值和纹理显著性值在空间位置上的关系,进而计算出绝缘子巡检图像中每个像素块的最终显著性值,利用最终显著性值对绝缘子巡检图像中的绝缘子进行目标区域检测。
在进行目标区域检测后,可能存在一些明显的噪声干扰,故需要使用旋转卡壳法,进一步清理细小孔洞和噪声干扰,以便得到更突出、易于识别的检测结果;
为了精确定位绝缘子区域的边界并消除噪声,需寻找最小外接矩形,该最小外接矩形的边缘位于一个凸多边形上,因此,可通过Graham扫描法等算法找到该凸多边形,并根据凸多边形边缘来查找可能的最小矩形;通过计算凸多边形的四个端点(Xmin、Xmax、Ymin、Ymax),以确定四条切线(L1、L2、L3、L4),根据每一对平行的切线,确定一个卡壳范围,然后通过旋转两个卡壳,直到其中一线与凸多边的一边重合,Graham扫描法计算出新矩形的面积并继续这个过程,直到找到覆盖整个绝缘子的最小外接矩形。
如图6所示,本实施例使用改进Faster-RCNN模型作为目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测。本实施例所采用的改进Faster-RCNN模型,是将Faster-RCNN模型特征提取网络由VGGNet替换为更具优势的Inception V4网络模型,改进Faster-RCNN模型由Inception V4网络模型、区域建议网络(region proposal network,RPN)和检测网络组成;这种替换带来的结果是检测精度上的明显提升,同时也有效优化了卷积神经网络在学习过程中对样本的依赖,从而避免了过拟合问题的可能发生。
如图7所示,Inception V4网络模型是一种卷积神经网络模型,用于图像分类和识别任务,是对Google Inception系列网络的进一步改进和演化;Inception V4网络模型由四个卷积层组成,第一个卷积层由一个1×1卷积构成,第二个卷积层由一个1×1卷积和一个3×3卷积串联构成,第三个卷积层由一个1×1卷积和一个5×5卷积串联构成,第四个卷积层由一个3×3卷积和一个1×1卷积构成;Inception V4网络模型的工作原理基于卷积神经网络中的一个关键概念——卷积,卷积是一种通过滑动一个小的窗口(卷积核)在输入图像上提取特征的操作,Inception V4网络模型通过堆叠多个卷积层来学习图像中的高级特征,Inception V4网络模型的主要创新点在于其基本构建块——Inception模块,Inception模块通过将多个不同大小的卷积核并行应用于输入特征图,以获得不同尺度下的特征,这使得Inception V4网络模型可以同时学习和利用多个层次的特征表示,从而提高Inception V4网络模型的性能。
此外,Inception V4网络模型还采用了一些其他的技术来进一步优化自身,例如,使用1x1卷积来减少特征图的维度,以降低计算复杂度;使用残差连接来减轻梯度消失问题,使得网络更易于训练;为优化Inception V4网络模型,Inception V4网络模型采用交叉熵损失作为损失函数,损失函数如式(1)所示:
(1);
式中,代表真实结果;代表预测结果;为损失函数;为输入变
量;Inception V4网络模型的求解梯度的优化器采用Adam优化算法;Adam优化算法计算效
率高、内存需求低,能加速改进Faster-RCNN模型的收敛。
本实施例的改进Faster-RCNN模型结合Faster-RCNN模型和Inception V4网络模型的方法可以充分利用它们各自的优势;首先,使用Inception V4网络模型对输入的绝缘子巡检图像的绝缘子区域进行特征提取,得到高级语义特征,将高级语义特征输入至Faster-RCNN模型进行目标检测,可以将绝缘子区域中的细粒度的特征信息与目标检测结合起来,提高了对绝缘子区域中鸟粪图像进行检测的准确性。
鸟粪图像通常具有不同的大小和形状,因此在识别过程中要考虑到不同尺度的目标;Faster-RCNN模型具有多尺度检测的能力,通过在不同尺度上应用不同大小的滑动窗口或图像金字塔来实现目标检测,这样可以增强对鸟粪图像进行检测的适应性。结合Faster-RCNN模型和Inception V4网络模型的方法可以提供更准确和稳定的结果,并且可以通过在更大的数据集上进行训练来提高改进Faster-RCNN模型的泛化能力。
使用 BERT-FC特征匹配模型根据鸟粪图像的特征信息识别鸟类种类的过程如下:步骤S4.1:收集各种鸟类的鸟粪图像样本,并对鸟粪图像样本进行多维度的特征分析和标注,得到鸟粪图像特征数据,形成鸟粪图像特征数据集,并按比例6:2:2划分为训练集、验证集和测试集;
步骤S4.2:构建BERT-FC特征匹配模型,BERT-FC特征匹配模型输入为鸟粪图像特征数据,输出为具体鸟类种类,使用训练集对BERT-FC特征匹配模型进行训练,得到训练好的BERT-FC特征匹配模型,并通过验证集进行验证,通过测试集测试合格后,训练完毕;
步骤S4.3:当得到一个未知鸟类种类的鸟粪图像时,通过对该鸟粪图像进行特征抽取,把未知鸟类种类的鸟粪图像特征数据输入到训练好的BERT-FC特征匹配模型中,训练好的BERT-FC特征匹配模型根据未知鸟类种类的鸟粪图像特征数据输出对应的鸟类种类。
更具体地的,步骤S4.2的具体过程为:
使用训练集对BERT-FC特征匹配模型的参数进行优化,通过迭代训练,调整和更新BERT-FC特征匹配模型的权重,便于BERT-FC特征匹配模型更好的适应应用场景;
使用验证集对迭代后的BERT-FC特征匹配模型进行性能评估,确定迭代后的BERT-FC特征匹配模型是否过拟合以及迭代后的BERT-FC特征匹配模型的参数已经适当;
使用验证集反馈迭代后的BERT-FC特征匹配模型的表现结果来调整迭代后的BERT-FC特征匹配模型的超参数;其中,超参数指BERT-FC特征匹配模型在学习过程中保持不变的参数,如学习率、批量大小、训练的迭代次数等;
当调整后的BERT-FC特征匹配模型通过验证集的表现达到预期效果后,使用测试集对调整后的BERT-FC特征匹配模型的性能进行测试,如测试结果满意,将该模型作为训练好的BERT-FC特征匹配模型进行部署使用;如测试结果不满意,则对调整后的BERT-FC特征匹配模型进行迭代训练;在实际应用中,进行上述对BERT-FC特征匹配模型训练时,需注意要根据当地环境中鸟类种类进行图像的收集和标注,在训练得到满足需求的BERT-FC特征匹配模型后,即可投入使用,并达到输入鸟粪图像即可输出具体鸟类种类的功能。
如图8所示,BERT-FC特征匹配模型由BERT模型与全连接层(Fully connectedlayer,FC)组成,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化。
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,编码层用于将输入文本转换为向量形式,使得BERT模型可以处理输入文本。BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器(Transformer网络),每个转换器(Transformer网络)都包含6个编码层(Encoder),各转换器(Transformer网络)之间运用了基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系,这种机制可以全面地表达图像特征,新的特征向量综合了当前特征以及所有输入特征的信息。
BERT-FC特征匹配模型的工作原理为:绝缘子巡检图像经过处理和标注,形成鸟粪图像特征数据作为BERT-FC特征匹配模型的输入,通过BERT模型映射表得到每个鸟粪图像特征向量{E1,E2,E3,…,En};E1,E2,E3,…,En分别为鸟粪图像特征数据编码后的第1,2,3,…,n个特征,鸟粪图像特征向量被送入第一双向编码器和第二双向编码器进行进一步的编码处理,输出层输出的特征向量{T1,T2,T3,…,Tn}作为鸟粪图像的特征表示,T1,T2,T3,…,Tn分别为输出层输出的第1,2,3,…,n个特征;最后,输出层输出的特征向量经由全连接层进行线性变换,转换为分类概率值,以此来得出各种鸟类种类的预测概率,预测概率最高的鸟类种类被选择作为最终的预测结果;其中,全连接层的输出向量为{h1,h2,h3,…,hn},h1,h2,h3,…,hn分别为全连接层输出的第1,2,3,…,n个分类概率值。
自注意力机制的输入包括查询向量Q、键向量K和值向量V,这些向量分别对应于输入的鸟粪图像特征向量,其计算公式为:
(2);
式中,表示输入的鸟粪图像特征向量;为查询向量的参数矩阵;为键向
量的参数矩阵;为值向量的参数矩阵,用于对输入的鸟粪图像特征向量进行线性变换;
通过相应权重的计算,可以得出每个特征与周围上下文之间的权重,进而在计算新的特征
向量时进行加权平均处理;自注意力机制的输出为:
(3);
式中,为查询向量和键向量的维度, 用于惩罚内积过大的情况,防止BERT模型
受到不必要的干扰;表示键向量的转置;在计算查询向量Q和键向量K的每一行向量的内
积时,需除以dk的平方根,即(dk)1/2作为惩罚因子进行处理;
其中,在多头注意力机制中,BERT模型将会同时计算多个自注意力机制,然后再将其串联起来得到多头注意力机制的输出矩阵:
(4);
式中,为多头注意力机制的输出矩阵;hi表示第i个自注意力机制的输出,i∈1,2,…,k;k为自注意力机制的数量,/>为连接权重矩阵;
使用Concat函数将多头注意力机制的每个自注意力机制的输出相连,形成一个维
度更大的矩阵,将该矩阵与连接权重矩阵进行相乘,并使用激活函数对相乘的结果进行
处理,得到最终的输出矩阵。
BERT模型的输出层以特征向量的形式输出结果;由于BERT模型采用了多层神经网络的结构以及基于自注意力机制的多头注意力机制,能够较完整地保存绝缘子鸟粪图像所含的语义信息。
其中,双向编码器,可以深度学习输入的绝缘子鸟粪图像内容的复杂关联性,使得BERT模型在进行绝缘子鸟粪图像分类任务时表现非常优秀。
与传统的BERT模型相比,BERT-FC特征匹配模型中,全连接层位于BERT模型之后,是BERT模型的最后一层,全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成。
BERT模型输出的是一个长度为n的特征向量,表示特征向量的维度,其中
每个元素代表了输入图像在BERT模型中的一个特征;在BERT-FC特征匹配模型中,需要将这
个特征向量映射到M个类别上,因此需要使用一个M维的权重矩阵将特征向
量H映射到一个长度为M的特征向量,其映射方式如下式所示:
(5);
式中,Z表示映射后的特征向量,是偏置向量,可以将其视为一个长度为M的常数
向量;在实际应用中,偏置向量通常会被初始化为0,但也可以进行调整;
映射完成后,将特征向量Z作为全连接层的输入,经过Softmax函数进行归一化,得
到每个类别的概率分布,如下式所示:
(6);
式中,表示第i个类别的概率;表示第i个映射后的特征向量;将BERT-FC特征
匹配模型的预测结果设为概率最大的那个类别,如下式所示:
(7);
式中,表示BERT-FC特征匹配模型的预测结果;表示在所有类别的概率
中选取最大值的索引,即对于所有类别,选取使得最大的类别作为最终预测结果的索引。
本发明中防鸟粪污染策略包括:
根据识别出的鸟类种类,制定对应的防污措施,通过深入研究和监测变电站所在区域的鸟类种类和行为习性,采取对应鸟类种类的防污措施,例如,对于经常在电线、变压器等关键部位引起故障的鸟类,如鸽子、喜鹊等,可通过安装防鸟刺、鸟网或使用声波、激光等非致命性驱鸟装置来驱赶这些鸟类;对于不经常造成破坏的小型鸟类,如雀科的小鸟,则监控其活动,确保它们不在设备上筑巢或进行其他可能导致污染的行为;需要注意的是猛禽类因其个体较大及捕食能力导致的风险,它们可能需要通过在变电站周边设置猛禽走廊来减少其在变电站内活动。
环境因素对鸟类活动模式有显著影响,因此鸟粪种类防污策略需随环境变化而调整;在春夏季节,鸟类繁殖活动频繁,可增加防鸟设施检查和维护频率;在冬季,由于鸟类活动减少,可减少驱赶频率;此外,还需根据变电站周围的地理特征(如是否靠近水域、是否有林地等)来设置针对性的措施,例如,在风大的日子,声音驱鸟装置的效果可能会减弱,此时可能需要启动备用或增强的驱鸟手段。
研究针对几种变电站周围常见鸟类进行资料收集,并给出整理后对应的常见鸟类控制策略表,如表1:
表1 常见鸟类控制策略表
表中,监测与评估列可确保整个防鸟策略是动态调整的,可根据污染情况进行优化。
准确地制定和调整变电站的清洁频率是保障设备正常运行和延长其使用寿命的重要工作,为此,需要考虑多种影响因素,其中包括但不限于鸟类种类、防污策略的有效性以及天气和季节等环境影响。
本实施例所述环境状态防污策略包括:
A.鸟类种类影响清洁频率策略:某些鸟类,如鸽子、椋鸟、鸦科等体型较大或成群活动的鸟类,会在变电站设备上留下大量排泄物,这不仅导致严重的污染问题,还可能引起设备故障;针对这些鸟类,定期清洁的频率应该加大,小型鸟类虽然产生的污染物相对较少,但是也需要持续监测以防止可能的鸟粪累积效应;
B.防污策略影响清洁频率策略:有效的防污策略,如安装鸟类驱赶装置、使用防鸟刺和网等,能够显著降低鸟类在关键区域活动以及鸟粪的积累,这样的策略能够间接减少清洁的需求,从而减少维护成本和避免因过度清洁带来的设备损害,相反,如果防污策略表现不佳,或者设备老化无法有效驱赶鸟类,清洁频率必须增加以防止污染造成的损害;
C.环境因素影响清洁频率策略:环境变化对污染聚集的速率有显著影响;例如,在潮湿的季节或地区,潮湿的环境可能会使污染物更容易粘附在设备表面,并且雨水可能将污染物带入设备敏感区域,加重污染程度。因而,清洁频率应随季节和气候变化而调整,以保证变电站的正常运行。
研究提出清洁频率调整策略表,如表2:
表2 清洁频率调整策略表
表中,“群居大型鸟”并非特定鸟,需根据当地鸟类进行分类并予以替换;“推荐清洁频率”需根据实际情况及专家意见进行调整。
如图9所示,一种基于鸟粪图像特征的电网鸟害识别系统,包括:
数据收集模块:用于获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;
图像定位模块:用于使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位,得到绝缘子区域;
特征提取模块:用于使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;
数据识别模块:用于使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;所述BERT-FC特征匹配模型由BERT模型与全连接层组成,所述全连接层位于BERT模型之后,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化;
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器(Transformer网络),每个转换器(Transformer网络)都包含6个编码层,各转换器(Transformer网络)之间运用基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系;所述全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;所述全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成;
清理制定模块:用于根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于,包括如下步骤:
步骤S1:获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;
步骤S2:使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位,得到绝缘子区域;
步骤S3:使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;所述目标检测模型采用改进Faster-RCNN模型,所述改进Faster-RCNN模型是将Faster-RCNN模型的特征提取网络由VGGNet替换为Inception V4网络模型,所述改进Faster-RCNN模型由Inception V4网络模型、区域建议网络和检测网络组成;
步骤S4:使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;所述BERT-FC特征匹配模型由BERT模型与全连接层组成,所述全连接层位于BERT模型之后,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化;
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器,每个转换器都包含6个编码层,各转换器之间运用基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系;所述转换器为Transformer网络;
所述全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;所述全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成;
步骤S5:根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
2.根据权利要求1所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:所述使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类的过程如下:
步骤S4.1:收集各种鸟类的鸟粪图像样本,并对鸟粪图像样本进行多维度的特征分析和标注,得到鸟粪图像特征数据,形成鸟粪图像特征数据集,并按预设比例划分为训练集、验证集和测试集;
步骤S4.2:构建BERT-FC特征匹配模型,BERT-FC特征匹配模型输入为鸟粪图像特征数据,输出为鸟类种类,使用训练集对BERT-FC特征匹配模型进行训练,得到训练好的BERT-FC特征匹配模型,并通过验证集进行验证,通过测试集测试合格后,训练完毕;
步骤S4.3:当得到一个未知鸟类种类的鸟粪图像时,通过对该鸟粪图像进行特征抽取,把未知鸟类种类的鸟粪图像特征数据输入到训练好的BERT-FC特征匹配模型中,训练好的BERT-FC特征匹配模型根据未知鸟类种类的鸟粪图像特征数据输出对应的鸟类种类。
3.根据权利要求2所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:所述步骤S4.2的具体过程为:使用训练集对BERT-FC特征匹配模型的超参数进行优化,通过迭代训练,调整和更新BERT-FC特征匹配模型的权重;
使用验证集对迭代后的BERT-FC特征匹配模型进行性能评估,确定迭代后的BERT-FC特征匹配模型是否过拟合以及超参数是否符合要求;
使用验证集反馈迭代后的BERT-FC特征匹配模型的表现结果来调整迭代后的BERT-FC特征匹配模型的超参数;
当调整后的BERT-FC特征匹配模型通过验证集的表现达到预期效果后,使用测试集对调整后的BERT-FC特征匹配模型的性能进行测试,测试结果符合要求,将训练好的BERT-FC特征匹配模型进行部署使用;测试结果不符合要求,调整BERT-FC特征匹配模型的超参数,并对调整后的BERT-FC特征匹配模型进行迭代训练。
4.根据权利要求3所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:Inception V4网络模型采用交叉熵损失作为损失函数,Inception V4网络模型的求解梯度的优化器采用Adam优化算法。
5.根据权利要求4所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:所述BERT模型输出的是一个长度为n的特征向量表示特征向量的维度,其中每个元素代表了输入图像在BERT模型中的一个特征;在BERT-FC特征匹配模型中,将特征向量映射到M个类别上,使用一个M维的权重矩阵/>将特征向量H映射到一个长度为M的特征向量/>,其映射方式如下式所示:
;
式中,Z表示映射后的特征向量,是偏置向量;
映射完成后,将映射后的特征向量Z作为全连接层的输入,经过Softmax函数进行归一化,得到每个类别的概率分布,如下式所示:
;
式中,表示第i个类别的概率;/>表示第i个映射后的特征向量;将BERT-FC特征匹配模型的预测结果设为概率最大的那个类别,如下式所示:
;
式中,表示BERT-FC特征匹配模型的预测结果;/>表示在所有类别的概率中选取最大值的索引,即对于所有类别,选取使得/>最大的类别作为最终预测结果的索引。
6.根据权利要求1所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:步骤S2中的特征融合算法采用多特征显著性融合算法,具体过程为:计算绝缘子巡检图像中每块像素区域的色度、梯度和纹理的显著性特征,通过使用中心距离差值法,将绝缘子巡检图像的色度、梯度和纹理的显著性值加权融合,得到绝缘子巡检图像中每块像素区域的最终显著性值,使用旋转卡壳法,确定绝缘子巡检图像中每块像素区域的最小外接矩形,实现对绝缘子巡检图像中的绝缘子的定位。
7.根据权利要求6所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:计算绝缘子巡检图像中每块像素区域的色度的显著性特征具体过程为:将采集到的绝缘子巡检图像转换到HSV颜色空间进行特征提取,将色相分量划分为不同的颜色区间,遍历每个像素,并将其色相值分配到相应的颜色区间中,得到颜色直方图,利用均值漂移聚类算法将颜色直方图中颜色相同的像素聚集在一起,通过计算每个像素块的显著性值,得到绝缘子巡检图像颜色显著性值;
计算绝缘子巡检图像中每块像素区域的梯度的显著性特征具体过程为:将绝缘子巡检图像进行颜色空间归一化并转换为灰度图像,然后计算灰度图像的梯度,得到梯度直方图,通过均值漂移聚类算法计算梯度直方图的梯度显著性,得到绝缘子巡检图像的梯度显著性值。
8.根据权利要求6所述的一种基于鸟粪图像特征的电网鸟害识别方法,其特征在于:计算绝缘子巡检图像中每块像素区域的纹理的显著性特征具体过程为:将绝缘子巡检图像转化为灰度图像,并形成灰度矩阵,利用灰度矩阵计算灰度共生矩阵,通过灰度共生矩阵对比度统计量来表达绝缘子巡检图像纹理显著性值。
9.一种基于鸟粪图像特征的电网鸟害识别系统,其特征在于,包括:
数据收集模块:用于获取绝缘子巡检图像,并建立绝缘子巡检图像数据集;
图像定位模块:用于使用特征融合算法对绝缘子巡检图像中的绝缘子进行定位,得到绝缘子区域;
特征提取模块:用于使用目标检测模型对绝缘子巡检图像中的绝缘子区域进行鸟粪图像检测,并输出鸟粪图像特征数据;所述目标检测模型采用改进Faster-RCNN模型,所述改进Faster-RCNN模型是将Faster-RCNN模型的特征提取网络由VGGNet替换为Inception V4网络模型,所述改进Faster-RCNN模型由Inception V4网络模型、区域建议网络和检测网络组成;
数据识别模块:用于使用BERT-FC特征匹配模型根据鸟粪图像特征数据识别鸟类种类;所述BERT-FC特征匹配模型由BERT模型与全连接层组成,所述全连接层位于BERT模型之后,并引入交叉熵作为损失函数进行BERT-FC特征匹配模型的迭代优化;
BERT模型由输入层、编码层、第一双向编码器、第二双向编码器和输出层组成,BERT模型的第一双向编码器和第二双向编码器均包含了12层转换器,每个转换器都包含6个编码层,各转换器之间运用基于自注意力机制的多头注意力机制来计算每个特征与其所有输入特征的关系;所述转换器为Transformer网络;
所述全连接层将BERT模型的输出的特征向量转换为相应的类别进行分类,从而将BERT模型输出的特征向量映射到不同的类别;所述全连接层由一个接受特征向量的输入层、一个用于算法优化的隐藏层和一个用于映射的输出层组成;
清理制定模块:用于根据鸟粪图像特征数据和鸟类种类采取清洁策略对绝缘子进行清理,并制定防鸟粪污染策略以及环境状态防污策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311698913.0A CN117392551B (zh) | 2023-12-12 | 2023-12-12 | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311698913.0A CN117392551B (zh) | 2023-12-12 | 2023-12-12 | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392551A CN117392551A (zh) | 2024-01-12 |
CN117392551B true CN117392551B (zh) | 2024-04-02 |
Family
ID=89463526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311698913.0A Active CN117392551B (zh) | 2023-12-12 | 2023-12-12 | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392551B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239651A (zh) * | 2017-04-17 | 2017-10-10 | 国网辽宁省电力有限公司电力科学研究院 | 一种电网鸟粪类故障风险等级评估的方法 |
CN111325725A (zh) * | 2020-02-19 | 2020-06-23 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
CN112749291A (zh) * | 2020-08-25 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 一种图文匹配的方法和装置 |
CN113536000A (zh) * | 2021-07-14 | 2021-10-22 | 西安工程大学 | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
CN113920327A (zh) * | 2021-11-17 | 2022-01-11 | 国网四川省电力公司电力科学研究院 | 一种基于改进的Faster Rcnn的绝缘子目标识别方法 |
CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
CN114140680A (zh) * | 2021-12-02 | 2022-03-04 | 罗普特科技集团股份有限公司 | 一种基于深度学习的海面目标检测与识别方法及系统 |
CN114187438A (zh) * | 2021-11-17 | 2022-03-15 | 天讯瑞达通信技术有限公司 | 一种图像检测方法及系统 |
CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 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 |
WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
CN116757164A (zh) * | 2023-06-21 | 2023-09-15 | 张丽莉 | 一种gpt生成语言识别与检测系统 |
CN117076941A (zh) * | 2023-07-13 | 2023-11-17 | 国网山东省电力公司泰安供电公司 | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 |
-
2023
- 2023-12-12 CN CN202311698913.0A patent/CN117392551B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239651A (zh) * | 2017-04-17 | 2017-10-10 | 国网辽宁省电力有限公司电力科学研究院 | 一种电网鸟粪类故障风险等级评估的方法 |
CN111325725A (zh) * | 2020-02-19 | 2020-06-23 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
CN112749291A (zh) * | 2020-08-25 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 一种图文匹配的方法和装置 |
WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
CN113536000A (zh) * | 2021-07-14 | 2021-10-22 | 西安工程大学 | 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法 |
CN113642486A (zh) * | 2021-08-18 | 2021-11-12 | 国网江苏省电力有限公司泰州供电分公司 | 一种具有机载前端识别模型的无人机配网巡检方法 |
CN113920327A (zh) * | 2021-11-17 | 2022-01-11 | 国网四川省电力公司电力科学研究院 | 一种基于改进的Faster Rcnn的绝缘子目标识别方法 |
CN114187438A (zh) * | 2021-11-17 | 2022-03-15 | 天讯瑞达通信技术有限公司 | 一种图像检测方法及系统 |
CN114140680A (zh) * | 2021-12-02 | 2022-03-04 | 罗普特科技集团股份有限公司 | 一种基于深度学习的海面目标检测与识别方法及系统 |
CN114067368A (zh) * | 2022-01-17 | 2022-02-18 | 国网江西省电力有限公司电力科学研究院 | 基于深度卷积特征的电网危害鸟种分类识别方法 |
CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 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 |
CN116757164A (zh) * | 2023-06-21 | 2023-09-15 | 张丽莉 | 一种gpt生成语言识别与检测系统 |
CN117076941A (zh) * | 2023-07-13 | 2023-11-17 | 国网山东省电力公司泰安供电公司 | 一种光缆鸟害监测方法、系统、电子设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
A store entity identification method based on deep learning;Xin Pengzhe;Deng Qianyu;2021 International Conference on Computer, Blockchain and Financial Development;20221130;第155-61页 * |
基于改进Faster-RCNN的输电线巡检图像多目标检测及定位;林刚;王波;彭辉;王晓阳;陈思远;张黎明;电力自动化设备;20190508(第05期);第220-225页 * |
基于改进Mask R-CNN的绝缘子目标识别方法;朱有产;王雯瑶;微电子学与计算机;20200205(第02期);第73-78页 * |
山西电网输电线路鸟害故障分析及防范措施;武国亮;白瑾;狄晓东;山西电力;20121215(第06期);第34-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392551A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN109117858B (zh) | 监测风力发电机叶片结冰的方法及装置 | |
Liu et al. | High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines | |
Li et al. | Knowledge-based power line detection for UAV surveillance and inspection systems | |
CN109799442B (zh) | 基于机载高光谱的绝缘子污闪预测方法及系统 | |
CN108108772B (zh) | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 | |
CN112434643A (zh) | 低慢小目标的分类识别方法 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN114241511B (zh) | 一种弱监督行人检测方法、系统、介质、设备及处理终端 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
WO2021055028A1 (en) | Roof condition assessment using machine learning | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
Mohammed Abdelkader et al. | A self-adaptive exhaustive search optimization-based method for restoration of bridge defects images | |
Liu et al. | Ground-based cloud classification using weighted local binary patterns | |
CN117470867B (zh) | 变电设备绝缘子污秽区分方法、装置及电子设备 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN103955711A (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN117392551B (zh) | 一种基于鸟粪图像特征的电网鸟害识别方法及系统 | |
CN116682026A (zh) | 一种智能深度学习环境遥感系统 | |
CN115984263A (zh) | 基于改进型孪生神经网络的螺栓松动检测算法及检测系统 | |
CN117351365B (zh) | 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 | |
CN117115553B (zh) | 一种基于掩膜谱空特征预测的高光谱遥感图像分类方法 | |
Deriche et al. | The artificial bee colony algorithm for unsupervised classification of meteorological satellite images | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理系统 |
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 |