[发明专利]一种面向动态特征补充机制的输电线路异物入侵识别方法

权利要求书

1.一种面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，包括以下步骤：

将无人机采集到的输电线路周围的视频图像通过无线通讯接口传输到供电管理平台，供电管理平台对接收到的视频图像采用高斯滤波算法进行预处理，获得处理后的视频图像；

将处理后的视频图像输入到多层特征融合的图像检测模型中，对异物进行识别和定位，获得带异物标记框的视频帧序列；

建立输电线路不同异物类型数据集，所述数据集包括训练数据集、测试数据集和验证数据集；

矩阵胶囊网络分类器提取异物类型信息

通过矩阵胶囊网络分类器对带异物标记框的视频帧序列进行异物分类，得到分类后的异物图像集合，进行变换处理产生新的异物图像；

用生成对抗网络的方法扩充训练数据集，用扩充的训练数据集训练面向动态特征补充机制的异物检测模型；

使用预先训练好的面向动态特征补充机制的异物检测模型对异物类型信息进行判断确定异物类型，根据异物类型，进行判断确定预警等级；

输出预警等级后，系统将输电线路上异物对线路的影响进行提示，与此同时视频中的异物的状态也将被标注出。

2.如权利要求1所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，所述通过高斯滤波算法进行预处理，对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，其具体方法为：

用一个3×3尺寸的高斯掩模模板扫描获取的视频帧图像中的每一个像素，用高斯掩模模板确定的邻域内像素的加权平均灰度值去替代高斯掩模模板中心像素点的值。

3.如权利要求1所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，所述将视频帧序列输入到多层特征融合的图像检测模型中，对异物进行识别和定位的具体方法包括：

采用基于目标检测与跟踪的特征提取方法，使用图像检测模型对复杂场景下的异物进行行为时序特征提取；

使用自建数据集对多层特征融合的图像检测模型进行针对性训练；

对提取到的异物行为时序特征进行处理和分析，获得带异物标记框的视频帧序列；

所述多层特征融合的图像检测模型是考虑不同层级特征图所包含的信息对于小目标检测任务的贡献不同，通过融合不同层级特征图聚合上下文信息，并根据训练目标样本大小自适应生成各层级特征图输出权重来动态优化特征图的表达能力。

4.如权利要求1所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，所述建立输电线路不同异物类型数据集的具体方法为：

所述不同异物类型数据集包含多个不同类型异物样本的数据集，将数据集按照一定比例划分为训练数据集、测试数据集和验证数据集；其中，训练数据集用于面向动态特征补充模型的训练，测试数据集用于模型训练完成后检验模型的泛化能力，验证数据集用于检验训练完成的模型是否出现过拟合现象。

5.如权利要求1所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，所述用生成对抗网络的方法扩充训练数据集的具体方法为：

生成对抗网络通过水平翻转、缩放、平移将带异物标记框的图像进行变换处理产生新的图像；

再使用图像拼接的方式将异物部分拼接到无异物图像中。

6.如权利要求1所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，使用预先训练好的面向动态特征补充机制的异物检测模型对异物类型信息进行判断，确定异物类型的具体方法为：

由于输电线路在日常情况下属于小概率事件，如果对复杂场景中每个异物的追踪数据都进行检测会消耗大量的资源，因此在保证精度的基础上，首先对带异物标记框的视频帧序列进行分析；

然后设置多个检测阈值，根据检测阈值将视频中所有的异物类型进行分类，包括异物、类异物和无异物。

7.如权利要求6所述的面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，所述面向动态特征补充机制的异物检测模型，在当前时刻的输入不仅依赖于前一视频帧，还依赖于后一视频帧。