高壓輸電線(xiàn)路巡線(xiàn)、圖像識(shí)別領(lǐng)域航拍圖像信息實(shí)時(shí)檢測(cè)方法

[全]高壓輸電線(xiàn)路巡線(xiàn)、圖像識(shí)別領(lǐng)域，航拍圖像信息實(shí)時(shí)檢測(cè)方法輸電線(xiàn)路巡檢是電力系統(tǒng)可靠運(yùn)行的重要手段，電力部門(mén)每年都要安全增加大量人力物力進(jìn)行巡線(xiàn)。傳統(tǒng)的人工巡線(xiàn)存在高風(fēng)險(xiǎn)、高成本、低效率的問(wèn)題，人機(jī)出現(xiàn)為電力部門(mén)提供了一種新的巡線(xiàn)工具。但目前使用電動(dòng)方式進(jìn)行巡線(xiàn)工作方式都是由飛手線(xiàn)路無(wú)的，飛到輸?shù)年P(guān)鍵人群周?chē)M(jìn)行的拍攝，由地面的普通現(xiàn)場(chǎng)分析，或者將數(shù)據(jù)帶回運(yùn)檢線(xiàn)方式進(jìn)行。產(chǎn)生大量的巡線(xiàn)圖，從海量的圖像數(shù)據(jù)中判斷電力故障枯竭一般復(fù)雜的普通人進(jìn)行枯燥的圖片檢索與分析任務(wù)，消耗了數(shù)日以上的時(shí)間，還有可能出現(xiàn)漏檢、誤判的情況，增加了許多巡線(xiàn)效率本，降低了巡線(xiàn)效率。絕緣子作為輸電線(xiàn)路中的數(shù)量并有最多的電力系統(tǒng)，擁有電氣和機(jī)械連接的雙重職權(quán)能力，對(duì)絕緣子的故障診斷是巡線(xiàn)的重要項(xiàng)目上一個(gè)。輸出絕緣子，是絕緣子故障診斷的先導(dǎo)。輸電線(xiàn)路覆蓋廣泛，沿途地貌特征豐富，在航拍圖的圖像中，在航拍圖的圖像中絕緣子與背景時(shí)間間隔度低，同時(shí)拍攝拍攝時(shí)的拍攝角度和環(huán)境條件具備隨機(jī)性，現(xiàn)有算法無(wú)法滿(mǎn)足的約會(huì)子檢測(cè)的快速性、精準(zhǔn)需求。問(wèn)題拆分整個(gè)過(guò)程是完整的快速檢測(cè)通道，輸入圖片最終得到目標(biāo)框，提高了自動(dòng)故障診斷的速度，直觀的軌跡軌跡線(xiàn)人員面對(duì)海量檢測(cè)線(xiàn)數(shù)據(jù)時(shí)的檢測(cè)結(jié)果。同時(shí)，本發(fā)明還利用遷移學(xué)習(xí)的思想將過(guò)去的任務(wù)所得知識(shí)遷移到當(dāng)前的目標(biāo)任務(wù)中，將所訓(xùn)練的模型具有可繼承性，有新的數(shù)據(jù)補(bǔ)充進(jìn)圖時(shí)，目標(biāo)模型可以在源頭上的基礎(chǔ)上繼續(xù)訓(xùn)練新的，快速達(dá)到預(yù)期效果，數(shù)據(jù)舊版本的模型不會(huì)因?yàn)榈母露翢o(wú)用處，檢測(cè)模型會(huì)隨著時(shí)間的推移的數(shù)據(jù)處與數(shù)據(jù)的增加而出現(xiàn)愈來(lái)愈潔。問(wèn)題解決本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的航拍圖像離子實(shí)時(shí)檢測(cè)方法，利用深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)和迀移學(xué)習(xí)技術(shù)快速而準(zhǔn)確地識(shí)別出復(fù)雜背景中的絕緣子，其檢測(cè)速度滿(mǎn)足升速實(shí)時(shí)視頻檢測(cè)的要求，減輕了巡線(xiàn)人員的工作強(qiáng)度和難度，進(jìn)一步提高了電網(wǎng)監(jiān)控線(xiàn)的水平，使電力系統(tǒng)能夠更加安全可靠地運(yùn)行。[0005]為實(shí)現(xiàn)上述目的，本的技術(shù)方案是：一種基于發(fā)明深度學(xué)習(xí)的航拍圖像絕緣子實(shí)測(cè)時(shí)檢測(cè)方法，包括步驟，步驟1：建立絕緣子目標(biāo)檢測(cè)圖像庫(kù)：具體分為源圖像庫(kù)和圖像目標(biāo)，其中，源圖像庫(kù)中包含各種場(chǎng)景下的不同庫(kù)形態(tài)結(jié)構(gòu)子，目標(biāo)圖像庫(kù)中包含山場(chǎng)景下的完整形態(tài)結(jié)構(gòu)子，源圖像庫(kù)與目標(biāo)圖像庫(kù)中的圖像無(wú)格式集；2：建立與對(duì)接子目標(biāo)檢測(cè)圖像庫(kù)的圖像標(biāo)簽庫(kù)：目標(biāo)檢測(cè)圖像庫(kù)中的每幅圖像片建立相應(yīng)的符合標(biāo)準(zhǔn)PASCALVOC格式的xml標(biāo)簽文件，標(biāo)簽文件中的信息包括：圖片ID號(hào)，圖片的像素高度、寬度與深度、圖片的路徑、圖片所包含的目標(biāo)的種類(lèi)、連接子目標(biāo)屬于區(qū)域的橢圓形目標(biāo)的坐標(biāo)（xmin，ymin，xmax，ymax），其中（xmin，ymin）為邊界框的左上連接坐步驟3：建立絡(luò)學(xué)習(xí)模型標(biāo)：采用目標(biāo)的目標(biāo)檢測(cè)網(wǎng)絡(luò)SSD，具體分為基礎(chǔ)特征提取網(wǎng)和輔助網(wǎng)絡(luò)，其中基礎(chǔ)特征提取網(wǎng)絡(luò)CNN網(wǎng)絡(luò)移動(dòng)輕量級(jí)的CNN網(wǎng)絡(luò)移動(dòng)層，輔助網(wǎng)絡(luò)核心選擇以3x3激勵(lì)構(gòu)成的6層檢測(cè)器層，輔助網(wǎng)絡(luò)的輸入為網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)的不同特征層的特征圖；4：數(shù)據(jù)輸出集生成：將所有參與訓(xùn)練的圖像及其對(duì)應(yīng)的標(biāo)簽文件合成一個(gè)用于訓(xùn)練的、可以進(jìn)彳丁尚效讀取的文件；步驟5：訓(xùn)練源模型：利用步驟3的SSD模型通過(guò)后端傳播算法在源圖像庫(kù)上進(jìn)行訓(xùn)練，得到源模型；步驟6：訓(xùn)練目標(biāo)模型：利用步驟3的SSD模型通過(guò)本土傳播算法在目標(biāo)圖像庫(kù)上進(jìn)行訓(xùn)練，練得到最終的目標(biāo)模型，其中，所用的初始化模型為源模型，利用迀移學(xué)習(xí)的思想將源模型中部分學(xué)習(xí)所得的知識(shí)迀移至目標(biāo)模型，使目標(biāo)模型具有目標(biāo)人物形象中山林場(chǎng)景下的寓意子特征，還擁有源圖片中不同背景、不同絕緣子形態(tài)的特征知識(shí)，包括，以目標(biāo)圖庫(kù)為主要特征庫(kù)，源庫(kù)為輔助特征庫(kù)；步驟7：固化模型實(shí)時(shí)檢測(cè)：將模型中所含的訓(xùn)練變量輪廓除，保留前向傳播的經(jīng)元權(quán)重測(cè)試與神的常數(shù)，平滑模型體積；步驟8：模型：將待檢測(cè)視頻輸入到物體后的目標(biāo)模型中，用視覺(jué)效果在原圖像視頻中捕捉到檢測(cè)框內(nèi)的信息子目標(biāo)，以及目標(biāo)或者包含的絕緣子的置度信得分。[0006在本發(fā)明的一個(gè)實(shí)施例中，步驟1中，目標(biāo)圖像庫(kù)中的場(chǎng)景以及絕緣子的種類(lèi)]能夠根據(jù)應(yīng)用的巡線(xiàn)背景發(fā)生變化。[0007]在本發(fā)明的一個(gè)實(shí)施例中，步驟3中，檢測(cè)器層的檢測(cè)器有兩種功能：1）預(yù)測(cè)預(yù)測(cè)位置目標(biāo)標(biāo)定框的；2）所預(yù)測(cè)的目標(biāo)是預(yù)測(cè)子種類(lèi)的得分。[0008]在本發(fā)明一實(shí)施例中，步驟5中，源模型的訓(xùn)練過(guò)程中，采用的初始化模型為在COCO數(shù)據(jù)集上訓(xùn)練所得的模型。[0009]發(fā)明的場(chǎng)景相較于已有技術(shù)，具有以下更有用的效果：發(fā)明的創(chuàng)新點(diǎn)在于利用本發(fā)明的檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)有效提升了不同的絕緣子檢測(cè)準(zhǔn)確率與速度，無(wú)需贅述力去人工設(shè)計(jì)繁體的隱子特征提取器，可以將其特征提取出來(lái)的神經(jīng)神經(jīng)網(wǎng)絡(luò)，提取出更加全面、更能提示子的深度特征信息，再將其輸入檢測(cè)器中進(jìn)行推理整個(gè)過(guò)程是完整的快速檢測(cè)通道，輸入圖像最終得到目標(biāo)框，提高了自動(dòng)診斷故障診斷的效率，精確定位實(shí)時(shí)巡線(xiàn)人員界面海量檢測(cè)巡線(xiàn)數(shù)據(jù)時(shí)的檢索同時(shí)，本發(fā)明還利用了迀移學(xué)習(xí)的思想將過(guò)去的任務(wù)所得知識(shí)迀移至當(dāng)前的目標(biāo)任務(wù)中，