[发明专利]基于深度卷积特征的电网危害鸟种分类识别方法

说明书

本发明公开了一种基于深度卷积特征的电网危害鸟种分类识别方法，首先针对电网巡检拍摄的鸟种图像，构建电网危害鸟种图像数据集，基于前馈去噪卷积神经网络对鸟种图像进行去噪预处理；搭建卷积神经网络DarkNet‑53模型，采用大规模开放数据集进行预训练，利用预处理后的鸟种图像训练集重新训练，并采用卷积神经网络可视化工具Grad‑CAM算法生成不同特征提取层的热力图，提取最佳特征图中的鸟种图像深度卷积特征；构建基于纠错输出编码支持向量机的鸟种分类识别模型，采用鸟种图像的深度卷积特征进行训练和测试，实现对危害鸟种的分类识别。本发明可用于电网涉鸟故障的差异化防治，有助于电网巡检人员准确识别鸟类。

技术领域

本发明属于输电线路监测图像数据处理技术领域，具体涉及一种基于深度卷积特征的电网危害鸟种分类识别方法。

背景技术

随着生态环境的改善，鸟类在输电线路附近的活动日益频繁，其泄粪、筑巢、迁徙等活动都可能导致输电线路短路和跳闸，严重影响了电网的安全稳定运行。由于涉鸟故障具有随机性和瞬时性，因此难以采取针对性策略防鸟，但涉鸟故障对我国重要输电通道的影响呈逐年扩大趋势，这一矛盾亟需解决。目前，涉鸟故障防治通常是根据风险分布图对输电线路加装防鸟刺、防鸟罩、防鸟挡板等多种防鸟装置。但实际的防鸟工作仍存在较大的盲目性，未能有效抑制涉鸟故障上升趋势。为解决上述问题，有必要研究电网故障相关鸟类的分类识别方法，以协助电网巡检人员准确识别鸟类。

近年来，计算机视觉逐渐在鸟类识别领域得到了研究和应用。相关研究提出了鸟种图像识别方法，但需要人工自主设计特征提取器，依赖于鸟类专业知识及复杂的参数调整过程，泛化能力和鲁棒性较差。深度卷积神经网络能够将特征提取、训练、验证、测试等一体化，降低特征提取与分类识别过程的复杂性，因此越来越多的鸟类识别方法研究融入了深度学习算法。目前，大多数研究集中于鸟类生态学领域，而与电网故障相关的鸟类识别研究较少。

发明内容

鉴于此，本发明的目的在于提供一种基于深度卷积特征的电网危害鸟种分类识别方法，用于准确识别出与电网相关的危害鸟种，为涉鸟故障的差异化防治提供参考。

为实现上述目的，本发明提供如下技术方案：一种基于深度卷积特征的电网危害鸟种分类识别方法，包括如下步骤：

S1、鸟种图像数据集构建与图像去噪：收集电网人工巡检与无人机巡检拍摄获取的在输电线路或变电站区域活动的鸟类图像样本，构建包含N种鸟类的图像数据集；搭建包含17层的前馈去噪卷积神经网络DnCNN对鸟种图像进行预处理；

对于一幅鸟类彩色图像，将其分为R、G、B三个颜色通道分别进行单独去噪；设含有噪声的鸟类单通道图像为ω，使其输入至DnCNN，经过卷积层、ReLU激活函数、BN批归一化，通过不断训练得到残差映射R(ω)≈m，m为残差图像；将单通道图像ω与提取得到的残差图像m作差，得到去噪后的单通道图像x=ω-m；将分别去噪后的三幅单通道图像进行合并，生成去噪后的RGB鸟类图像，将经过去噪预处理后的鸟种图像数据集按比例划分为训练集与测试集。

S2、鸟种图像深度卷积特征提取：搭建DarkNet-53卷积神经网络模型，采用大规模开放图像数据集对DarkNet-53模型进行预训练，并将预训练后的模型结构进行初始化，获得初始化后的卷积神经网络模型DarkNet-53-A；采用步骤S1中划分的训练集对DarkNet-53-A进行重新训练，得到DarkNet-53-B；