[发明专利]基于深度学习技术的输电线路场景语义理解方法

说明书

本发明涉及输电线路隐患检测技术领域，具体涉及一种基于深度学习技术的输电线路场景语义理解方法，包括以下步骤：a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。本发明能快速地检测输电线路场景隐患类别和等级，在GPU上的检测速度达到百毫秒级。

技术领域

本发明涉及输电线路隐患检测技术领域，具体涉及一种基于深度学习技术的输电线路场景语义理解方法。

背景技术

在电力行业，输电线路的安全问题至关重要。传统的巡检方式是人工对输电线路进行监测，人工巡线存在巡视真空期，不能实时掌握线路走廊变化情况，并且输电线路纵横跨度大、分布地形复杂。线路状态参数种类繁多，很多环节不易人工发现，极大地消耗了人力，降低了效率。目前，基于人工智能技术的输电线路智能监控方法主要是通过人工智能分析技术对现场图片进行隐患检测，得到现场的隐患物体和位置。然而这些基本的隐患检测不能明确表达隐患的场景、预警等级，导致运维人员还需要人工分析预警的图片，进而得到有隐患图片的预警等级，最终采取不同的预警措施。

综上所述，如何提供一种高效、可靠的基于深度学习技术的输电线路场景语义理解系统及方法，准确快速的得到输电线路隐患的场景和预警等级，是目前本领域技术人员亟待解决的问题。

发明内容

为了解决上述技术问题中的不足，本发明的目的在于：提供一种基于深度学习技术的输电线路场景语义理解方法，实现了输电线路场景隐患施工机械的准确高效的检测，并且对当前场景下的隐患进行语义表述。

本发明为解决其技术问题所采用的技术方案为：

所述基于深度学习技术的输电线路场景语义理解方法，包括以下步骤：

a、摄像机抓拍输电线路场景范围内的图片，通过4G网络传入服务器；

b、使用神经网络模型训练含有隐患的场景图片并获得场景隐患监测模型进行检测，进而生成场景语义结果和隐患等级。

步骤b包含以下步骤：

b1：基于步骤a所述输电线路范围内的图片，获取场景隐患图片并进行相关语义的标注；

b2：利用神经网络模型对场景隐患图片数据集进行训练，训练完成之后获得场景隐患监测模型；

b3：将b2所述的模型部署到服务器中，由服务器加载模型参数；

b4：将摄像机新拍摄并上传的图片作为测试集，对模型进行测试；

b5：生成场景语义结果和隐患等级并发出报警，交由人工处理。

优选的，神经网络模型是更适合场景隐患的图像语义理解算法，该算法基于CNN+RNN算法的encoder-decoder模式进行改进，使用带有视觉标记的自适应的attention机制，上下文变量根据当前时刻的隐藏态生成，在上面的attention机制上，加入adaptive机制，使得模型可以自己决定生成单词的时候是根据先验知识还是根据图像中区域。

与现有技术相比，本发明具有以下有益效果：

(1)本发明能快速地检测输电线路场景隐患类别和等级，在GPU上的检测速度达到百毫秒级。

(2)本发明使用图像语义理解模型Image caption算法，并做了针对性的改进工作，实现了高精度的输电线路场景语义理解和隐患等级检测。在国家电网的输电通道图像数据集中，场景语义理解和隐患等级检测的准确率提升到77％。

附图说明

图1是本发明中的确定方法的流程示意图。

图2是Image caption整体架构。