[发明专利]基于深度学习的杆塔鸟巢检测方法

说明书

本发明提出一种基于深度学习的杆塔鸟巢检测方法，利用深度神经网络框架将航拍获得的杆塔鸟巢图像进行划分，先利用深度学习网络提取输电线路杆塔信息，再利用深度学习网络提取鸟巢的深度特征信息，利用所提取的特征信息进行深度预测，预测出航拍杆塔图像中每个划分区域的定位置信度，最后将划分区域合并成杆塔鸟巢目标检测矩形框。其中包括以Darknet为框架，使用yolo v2搭建深度学习网络模型，利用卷积神经网络进行目标矩形框的回归预测及置信度预测。在此基础上，还可以利用深度学习图像增强的方式，弥补深度学习网络数据量较少的缺点，并利用fine‑tune使得新数据可以在旧模型上继续训练，增强模型的特征偏向性和泛化能力。

技术领域

本发明属于电力巡检故障和异常状况识别领域，尤其涉及一种基于深度学习的杆塔鸟巢检测方法。

背景技术

随着输电网日益庞大，电网运行维护的工作量快速增长，加上伴随的地形和交通的复杂性，给人工巡检带来了巨大的困难。新型的无人机巡检技术成为了当前的热门技术，无人机在线路架设牵引及线路巡检上方式灵活、成本低，不仅能够发现线路上的小尺寸部件，如绝缘子、鸟巢等，而且还能够发现金具腐蚀、开口销和螺帽缺失等人工巡检难以发现的问题。

无人机应用于电力部件的故障检测一般是通过现场拍摄后直接人工判断或者将数据带回进行诊断。但是无人机巡线过程会产生大量的图片，人工判断设备是否发生故障必然是效率低下且不够准确的。对于电力杆塔上的鸟巢，一直以来是电力巡检过程中的常见隐患，如果不能得到及时的排查和处理，可能造成严重的电路故障。

发明内容

本发明的目的在于提供一种基于深度学习的杆塔鸟巢检测方法，利用深度神经网络框架将航拍获得的杆塔鸟巢图像进行划分，先利用深度学习网络提取输电线路杆塔信息，再利用深度学习网络提取鸟巢的深度特征信息，利用所提取的特征信息进行深度预测，预测出航拍杆塔图像中每个划分区域的定位置信度，最后将划分区域合并成杆塔鸟巢目标检测矩形框。其中包括以Darknet为框架，使用yolo v2搭建深度学习网络模型，利用卷积神经网络进行目标矩形框的回归预测及置信度预测。在此基础上，还可以利用深度学习图像增强的方式，弥补深度学习网络数据量较少的缺点，并利用fine-tune使得新数据可以在旧模型上继续训练，增强模型的特征偏向性和泛化能力。

为实现上述目的，本发明具体采用以下技术方案：

一种基于深度学习的杆塔鸟巢检测方法，其特征在于，包括以下步骤：

步骤S1：建立杆塔鸟巢训练图像库，对每一图像样本制作对应的标签文件；所述标签文件符合Pascal VOC格式的xml标签文件标准；

步骤S2：建立深度学习网络模型，采用基于Darknet网络框架及yolo v2目标检测算法构建深度学习目标检测网络；

步骤S3：将杆塔鸟巢训练图像库中的所有图像样本及对应的标签文件划分为训练集和测试集；

步骤S4：采用yolo v2对所述训练集进行训练，获得初始杆塔检测模型和初始鸟巢检测模型；

步骤S5：使用fine-tune进行模型微调；

步骤S6：采用测试集测试模型性能并固化模型，获得杆塔最终模型和鸟巢最终模型；

步骤S7：待测图像依次经过杆塔最终模型和鸟巢最终模型检测，获得检测结果。

优选地，在步骤S4中，训练使用的初始化模型为Darknet预训练模型，参数更新方式为SGD，初始学习速率为0.003，batch_size为1，训练步数为10万步。

优选地，在步骤S3中，对训练集中的图像样本进行翻转和/或旋转和/或缩放和/或裁剪操作，生成新的图像样本，并制作对应的标签文件，对训练集进行扩容。