[发明专利]一种基于深度学习的无人机图像输电杆塔倒伏识别的方法

说明书

本发明涉及一种基于深度学习的无人机图像输电杆塔倒伏识别的方法，首先制作训练数据集和验证数据集，数据集包括两种类别的无人机图像，分别是不同背景下的直立杆塔以及倒伏杆塔；然后建立深度学习模型，分别以ResNet为基础的Faster R‑CNN网络和以Darknet‑53为基础的Yolov3网络作为深度学习目标检测的基础网络结构；接着进行数据增强，并对深度学习模型进行训练，然后固化与测试检测模型，并进行模型融合，最后利用融合后的模型对杆塔图像进行识别。本发明利用深度学习目标检测方法，实现了巡检过程中对输电杆塔的识别及故障检测。

技术领域

本发明涉及电力运维巡检领域，特别是一种基于深度学习的无人机图像输电杆塔倒伏识别的方法。

背景技术

随着信息时代的到来，越来越多的工商业，农业依赖于电力的存在。电网规模不断扩大，输电线路的运维检修成为了电力部门重要的工作内容。配电网输电线路经长时间的运营与使用,会出现不同程度的损伤,突发的恶劣天气条件，如大风、覆冰雪等导致输电杆塔受损甚至出现倒伏。作为输电线路的主要支撑力量，一旦杆塔发生损坏，周围的电力设备皆会受到不同程度的破坏，从而使电力输送中断,造成严重的经济损失。

因此，如何最大化地减轻极端天气给电网行业带来的危害，是当今电网行业研究的重中之重。输电杆塔的倒伏状态识别，对电网展开灾后的抢修工作以及稳定运行有着重大的意义。随着无人机技术的快速发展，利用无人机搭载巡检设备进行线路巡检，不仅不受地理因素的限制，还极大的提高了巡检效率。输电线路的电力设备基本可靠其进行识别，输电杆塔同样也可通过目标检测确定。

然而，由于输电杆塔倒伏数据稀少，无人机图像杆塔倒伏的识别一直缺少深入的研究。考虑到人工巡检过程中，巡检人员长时间的查看图片或者影像会造成生理及心理上的负担，从而导致工作上的失误，严重影响电力巡检的工作效率。同时由于无人机图像数据庞大，人工巡检的成本极大。

发明内容

有鉴于此，本发明的目的是提出一种基于深度学习的无人机图像输电杆塔倒伏识别的方法，利用深度学习目标检测方法，实现了巡检过程中对输电杆塔的识别及故障检测。

本发明采用以下方案实现：一种基于深度学习的无人机图像输电杆塔倒伏识别的方法，具体包括以下步骤：

步骤S1：制作训练数据集和验证数据集，数据集包括两种类别的无人机图像，分别是不同背景下的直立杆塔以及倒伏杆塔；

步骤S2：建立深度学习模型，分别以ResNet为基础的Faster R-CNN网络和以Darknet-53为基础的Yolov3网络作为深度学习目标检测的基础网络结构；

步骤S3：对步骤S1的数据集进行数据增强；

步骤S4：利用步骤S3增强后的训练数据集对步骤S2的Faster R-CNN网络和Yolov3网络进行训练；

步骤S5：固化与测试检测模型，根据步骤S4训练时的各项网络参数变化情况，在达到期望数值时固化深度学习网络模型；

步骤S6：进行模型融合，将Faster R-CNN、Yolov3网络输出的类别置信度进行加权平均，根据各模型在训练集上的分类误差率设定权重，再通过投票的结合策略将两种模型的结果融合，生成最终的杆塔倒伏集成模型；

步骤S7：利用验证后的杆塔倒伏集成模型对待测图像进行检测，经过网络前向传播后，得出检测结果的目标矩形框的坐标与置信度；其中矩形框中包含检测的目标杆塔，以及目标杆塔倒伏的置信度得分。