[发明专利]基于深度学习的高压线路防外力破坏预警系统及方法

权利要求书

1.一种基于深度学习的高压线路防外力破坏预警系统，其特征在于，包括设置于箱体内部的蓄电池、电源管理板、ARM图像处理板、红外模拟摄像机、数字摄像机、GPS模块，以及设置于箱体外部的太阳能电池板、目标识别机、服务器和手机移动终端，所述ARM图像处理板包括4G模块，其中：

所述的红外模拟摄像机与ARM图像处理板相连，用于对高压铁塔下图像数据的采集，同时将采集的图像通过4G模块发送给目标识别机；所述的数字摄像机与ARM图像处理板相连，用于对高压输电线路图像数据的采集，同时将输电线路图像通过4G模块发送给目标识别机，所述目标识别机对目标进行智能识别，并将识别结果通过服务器发送至手机移动终端；所述太阳能电池板通过蓄电池向电源管理板供电，电源管理板分别为ARM图像处理板、红外模拟摄像机、数字摄像机供电。

2.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统，其特征在于，所述的红外模拟摄像机采用工业级高清枪式摄像机，像素130万，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对高压铁塔下的目标进行监控。

3.根据权利要求1所述的基于深度学习的高压线路防外力破坏预警系统，其特征在于，所述的数字摄像机由球机构成，最大监控距离为100m，供电电压为12V，安装在高压铁塔上，通过ARM图像处理板驱动该摄像机对输电线路上的目标进行监控。

4.一种基于深度学习的高压线路防外力破坏预警方法，其特征在于，所述的目标识别机采用深度学习的方法，搭建深度神经网络对目标进行智能识别，具体步骤如下：

步骤1，连续接收拍摄的图片作为训练样本集；

步骤2，构建卷积神经网络的网络模型；

步骤3，将训练的样本集转换数据格式后输入网络模型中得到最终的网络模型；

步骤4，输入采集的现场图片并对其采用中值滤波处理，得到预处理后的图像；

步骤5，采用选择性搜索对预处理后的图像提取候选区域；

步骤6，将候选区域采用最终的卷积神经网络模型自提取特征；

步骤7，将提取后的特征采用支持向量机分类器识别出该图像中的目标，并判断出该目标是否为危险作业目标。

5.根据权利要求4所述的基于深度学习的高压线路防外力破坏预警方法，其特征在于，步骤2所述构建卷积神经网络的网络模型，具体如下：

构建一个5层卷积网络，第一层为卷积层，使用64个卷积核，卷积核窗口大小为3*3个像素，边缘填充100像素，输出64个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第二层为卷积层，使用128个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出128个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第三层为卷积层，使用256个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出256个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第四层为卷积层，使用512个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出512个特征图，特征图经降维处理后进入下一层，降维处理中下采样的核窗口大小为3*3个像素；第五层为卷积层，使用512个卷积核，卷积核窗口大小为3*3个像素，边缘填充1像素，输出512个特征图，特征图经降维处理后进入全连接层。

6.根据权利要求4所述的基于深度学习的高压线路防外力破坏预警方法，其特征在于，步骤5所述采用选择性搜索对预处理后的图像提取候选区域，具体为：首先将图像分割成1000～2000个区域，然后以此为基础，对相邻的区域进行相似度判断并融合，形成不同尺度下的区域。