[发明专利]一种基于卷积神经网络的实时输电设备异物检测系统

摘要

本发明涉及一种基于卷积神经网络的实时输电设备异物(包括风筝，塑料袋等)检测的系统，包括：使用大量摄像头周期性地拍取输电设备照片，传入以树莓派为芯片的低成本嵌入式设备中，利用已经在服务器上训练好的一套深度学习模型实时检测出输电设备是否有异物及异物的位置，将这些信息再回传给服务器。部署的识别模型利用深度可分离卷积神经网络来提取图像特征，从而在针对异物特征优化的Faster R‑CNN方法中进行实时高效的检测。本发明可以实时的检测输电设备是否有异物，节省大量人力去现场检测输电设备状况，保障输电设备稳定运行。

主权项

1.一种基于卷积神经网络的实时输电设备异物检测的系统，其特征在于，包括以下模块：异物图像样本库模块，拍摄输电设备图像，主要拍摄有异物(包括风筝，塑料袋)的图像，对这些图像进行预处理，人工标出异物的位置，并用这些数据建立输电设备异物检测样本库，储存在服务器上，服务器还会储存来自嵌入式设备回传的图像信息，定期将这些数据进行人工审查，如果检测的结果是正确的，就对原图进行标记，存入样本库中；神经网络模型模块，搭建基于深度可分离卷积神经网络目标检测模型，用样本库中的数据去训练该目标检测模型，该模型是针对输电设备异物的对Faster R‑CNN模型的改进与优化，其特征在于：将Faster R‑CNN中的所有普通卷积结构换为深度可分离卷积结构；将RPN结构中进行非极大值抑制后保留的候选框的个数降低；将最后分类的两层全连接层结构换为卷积结构；实时检测设备模块，利用面向输电设备的摄像头，周期性的拍取照片，并传入嵌入式设备中，嵌入式设备选用的是低成本的嵌入式设备，为每一个摄像头配备一套嵌入式处理设备，插入sd卡以扩大存储，在嵌入式设备中利用训练好的神经网络模型去实时的对传入的图像做检测；信息回传模块，将检测出异物的数据回传给服务器，服务器在接收到检测出异物的信息后，会生成相应的告警信息，并将检测出的异物图像保存到集群中，交互服务器通过访问集群中的数据，及时提醒用户对设备故障进行处理，远程服务器也可以直接调取摄像头的内容。