[发明专利]一种配网架空线路的鸟巢和悬浮物检测方法

说明书

本发明公开一种配网架空线路的鸟巢和悬浮物检测方法，利用无人拍摄的视觉图像，预处理完之后完成数据标注；在修改后的网络上用预处理标注后的数据进行训练；用利用yolov5深度学习方法训练好的模型检测出鸟巢和悬浮物的相关输出，然后用形状判断的方法完成输出过滤，可有效提升运维人员的工作效率。本发明利用形状过滤的方法有效降低了鸟巢和漂浮物误报率。

技术领域

本发明涉及配网线路检测领域技术领域，尤其涉及一种配网架空线路的鸟巢和悬浮物检测方法。

背景技术

配网架空线路的安全运营一致是线路运维人员的主要任务之一。鸟巢和悬浮物一直是影响线路正常运行的重大影响因素，而人工沿着线路进行检查往往耗时耗力，且部分复杂场景对人员的安全也有一定影响，鸟巢和悬浮物会对线路的正常稳定运行造成严重影响。

现有的悬浮物或者鸟巢检测主要是基于深度学习的方法，常见使用的是基于FasterRCNN、ssd、yolov3、yolov4、yolov5的检测方法。

基于改进FasterRCNN的配网架空线路异常状态检测的方法主要优点为检测准确性高，缺点为速度相比其他方法比较慢。Yolov3是比较早期的方法，速度上相比FasterRCNN有一定改善，但准确性相对差一些。

基于改进Yolov4的输电线路鸟巢轻量级检测算法中模型轻量化的方法是通过替换yolov5网络结构的backone网络为网上常见的轻量型网络，如resnet、mobilenet系列等。本发明不同的地方是通过直接对网络层数中用于检测大目标的模块直接去掉，该方法可以直接有效的取出无关之处以及后续的预处理模块，从而达到提高速度的目的。

基于纹理判断的方法在变电站等场景下是可以降低鸟巢的误识别情况，但配网输电线路下，树木或者环境更为复杂，准确性和误报的准确性上会有一定影响。挂空悬浮物会有树枝、塑料袋、衣服、绳子等各种各样的东西，直接使用yolov5或者其他深度学习模型进行检测的话，复杂场景下容易产生误报。尤其在变电站场景下，部分绳索之类的悬浮物很容易和实际的电线等发生误报或者漏报。

现有的鸟巢、悬浮物等算法基本都部署于云端，无人机设备本身不进行算法分析，基于此，现有的技术中存在的问题有：识别算法的准确率和速度较难达到一个较好的平衡。Faster-RCNN,yolov5-l本身算法识别率较高、但同时推理速度较慢。Yolov4-tiny、yolov5-tiny本身检测速度比较快，但同时想对损失了一定的精度、尤其对较小的目标漏报情况较高。部分鸟巢、悬浮物存在于较暗的场景或者傍晚场景下，鸟巢和悬浮物容易和背景融为一体而导致漏报的情况增加。配网相关线路下的相关公开数据集基本没有，基于深度学习的方法一般都需要大量的相关数据集进行训练提取特征，其识别效果与数据集的质量合数量有着很大的依赖。

发明内容

本发明的目的在于提供一种配网架空线路的鸟巢和悬浮物检测方法。

本发明采用的技术方案是：

一种配网架空线路的鸟巢和悬浮物检测方法，其包括以下步骤：

步骤1，利用无人机收集鸟巢、悬浮物数据，并使用gamma矫正算法进行数据预处理，

步骤2，将预处理后的数据输入基于YOLOv5算法建立鸟巢和悬浮物检测模型进行检测处理，以确定目标图像；

步骤3，基于形状的悬浮物和鸟巢结果过滤剔除误报情况，过滤步骤具体为：

步骤3-1，获取检测出的结果output＝[x1,y1,x2,y2,cls,conf]，

其中，x1为检测出目标框的左上角横坐标，y1为检测出目标框的左上角纵坐标，x2为检测出目标框的右下角横坐标，y2为检测出目标框的右下角横坐标，cls为模型检测出的目标框的所属类别，conf为该类别的置信度；