CN108470140B - 一种基于统计特征与机器学习的输电线路鸟巢识别方法 - Google Patents
一种基于统计特征与机器学习的输电线路鸟巢识别方法 Download PDFInfo
- Publication number
- CN108470140B CN108470140B CN201810079831.0A CN201810079831A CN108470140B CN 108470140 B CN108470140 B CN 108470140B CN 201810079831 A CN201810079831 A CN 201810079831A CN 108470140 B CN108470140 B CN 108470140B
- Authority
- CN
- China
- Prior art keywords
- images
- transmission line
- power transmission
- bird
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于统计特征与机器学习的输电线路鸟巢识别方法,包括:依据图像中的输电线路中是否有鸟巢存在进行分类,规定不含鸟巢的图像为正样本,含鸟巢的图像为负样本;将训练集的图像从RGB颜色空间转换为HSV颜色空间;在HSV颜色空间进行分解,得到输电线图像的H、S、V三个通道颜色分量,在H、S、V三个通道上分别提取其统计特征,统计一阶矩到六阶矩,将这些特征组成一个n×18维的数据集,其中n表示样本个数;训练分类器;利用训练好的分类器对待识别输电线图像进行识别,判断是否存在鸟巢。
Description
技术领域
本发明属于电力技术和计算机视觉领域,涉及一种基于统计特征与机器学习的输电线路 鸟巢识别方法的方法。
背景技术
输电线路是电力网中不可缺少的重要部分。它的主要作用是输送、分配和交换电能。同 时,它还有更重要的一个作用是将几个独立的电网连接起来,形成互联电网或同一电网,从 而提高了电力***安全供电的可取性。它直接关系到百姓的用电问题,大范围的断电将给社 会经济带来巨大的损失。因此,输电线路的安全性是电力部门高度关注的问题之一。
输电线路大多运行在荒郊野岭,周边环境十分复杂,经常会收到自然界的影响。人类对 于生态环境保护的意识也在不断加强,鸟类的繁衍数量逐渐增多,活动范围逐渐扩大,对输 电线路造成了巨大的危害。同时,由于鸟类的迁徙,也给输电线路鸟害治理范围的确定带来 了较大难度。国家电网公司***内2015年鸟害引起跳闸119次,占7.4%。鸟类引起的线路 故障仅次于雷电灾害、覆冰舞动和外力破坏,列线路故障总数的第四位。
为了防止鸟类对输电线路的危害,目前采取的措施主要有以下几种:
(1)安放防鸟害装置。防鸟害装置可分为驱鸟技术和留鸟技术。驱鸟技术是采用固定 装置或应用对于鸟类来说危险的信号,使得鸟类不能在电力设备上栖息,达到驱赶鸟的目的, 主要包括防鸟刺、惊鸟牌、防鸟封堵箱、风动驱鸟器、电子驱鸟器、超声波驱鸟器和基于超 级电容驱动的组合式驱鸟器等。留鸟技术是通过提高绝缘或应用遮挡装置,不影响鸟类正常 遮挡栖息,来保证电力设备安全运行,主要包括绝缘防鸟挡板、横担封堵板、大伞裙、防鸟 粪均压环、绝缘防护装置和复合绝缘子保护套等。
但是防鸟害装置本身也有许多问题,比如:防鸟刺会锈蚀和老化,可能降低驱鸟效果; 惊鸟牌在安装初期会起到惊吓鸟的作用,但是经过一段时间后鸟类就会适应,惊鸟牌也就发 挥不出应有的作用了;防鸟害设备的制作本身也会消耗大量的人力物力等等。
(2)人工实地勘察,发现鸟巢之后由工作人员进行排险。但是人工巡检效率低,观察 区域受限,工作量巨大且条件十分艰苦,易受季节气候影响。此外,鸟害故障具有顽固性, 鸟类一旦选择在某个铁塔上筑巢,在一段时间内即便是受到外界较大的干扰也不会轻易地离 开。往往工作人员刚刚把杆塔上的鸟巢清除掉,等工作人员离开鸟类又回来筑巢,而且搭建 的鸟巢比先前的还要紧密、结实。
近年来,随着自动控制、GPS导航、无线通信和计算机视技术的不断发展,无人机的使用已从军事领域拓展到民用领域,如地球物理探测、灾情监测、农作物监测。利用无人机航空拍摄能够高效完成电力巡查任务。利用无人机来替代人力进行输电线路巡检操作之后将 无人机采集来的图像传送至监测中心,完成对输电线路的巡视或实时监测。与传统的人工巡 检方法相比,无人机巡检的方法具有简单、准确、实时、经济等特点。
但是上述***需要工作人员长期监视,受人为因素影响较大,长时间的工作势必会导致 工作人员很难长时间集中注意力,并且工作效率下降;此外,如果对这些数据采用工作人员 主观判断的话,极易误判或漏判,难以准确发现输电设备的安全隐患,且大大增加了检修成 本,不能满足智能电网建设的需要。
发明内容
为克服上述现有技术存在的缺陷,本发明提供一种输电线路鸟巢快速且准确的识别方 法。本发明在输电线路巡视***的基础上,采用图像统计特征和机器学习中的支持向量机 (SVM)算法对图像分类,将正常的图像和有鸟巢的图像分开,更快的定位和发现问题,满足 智能电网建设的需要。技术方案如下:
一种基于统计特征与机器学习的输电线路鸟巢识别方法,包括下列步骤:
1)将巡检后得到的输电线图像收集起来,依据图像中的输电线路中是否有鸟巢存在进 行分类,并分为训练集和测试集,规定不含鸟巢的图像为正样本,含鸟巢的图像为负样本。 训练集内正样本和负样本各半;对所有图像进行预处理,采用双三次内插方法使各个图像缩 放到统一尺寸;
2)将训练集的图像从RGB颜色空间转换为HSV颜色空间。
3)对步骤2得到的输电线图像在HSV颜色空间进行分解,得到输电线图像的H、S、 V三个通道颜色分量,在H、S、V三个通道上分别提取其统计特征,统计一阶矩到六阶矩, 将这些特征组成一个n×18维的数据集,其中n表示样本个数;
4)对步骤3中的数据集进行归一化处理;
5)利用归一化处理后的数据组成分类器的训练集,并制作符合SVM格式的标签文件, 将分类器训练集和测试集的正样本的类别标签置为1,负样本的类别标签置为-1;
6)选择核函数类型、SVM所涉及的惩罚因子c,gamma参数g以及核函数所用相关参数,利用步骤5得到的训练集训练分类器模型,得到分类器模型,通过测试不同c和g的K 折交叉验证的准确率来寻找最佳的c和g的值;
7)利用训练好的分类器对待识别输电线图像进行识别,判断是否存在鸟巢。
本发明根据鸟巢对于图像统计特征的影响,利用图像统计特征和机器学习算法,通过训 练输电线路鸟巢分类模型,能够及时地分辨出图像中是否有鸟巢,为工作人员清理鸟巢提供 基础,以减少因为鸟害引起的接地或跳闸事故。
附图说明
图1本发明流程图
图2正负样本图
图3HSV图像分解(a)原图 (b)H通道 (c)S通道 (d)V通道
图4标签文件
图5参数寻优结果图
具体实施方式
为使本发明的技术方案更加清楚,下面结合附图对本发明具体实施方式做进一步地描 述。实施方案流程图如图1所示。
1.训练鸟巢图像分类器模型,其具体步骤如下:
1)将巡检后得到的输电线图像收集起来,依据图像中的输电线路中是否有鸟巢存在进 行分类,并按照一定的数量比例分为训练集和测试集。规定不含鸟巢的图像(即正常图像) 为正样本,含鸟巢的图像为负样本,如图2所示。对所有图像进行预处理,统一将图像缩放 为600×400,缩放方式选择双三次内插,双三次内插包括16个最近邻点。赋予点的像素值 是使用以下公式得到的:
其中,16个系数可由16个用(x,y)点最近邻点写出的未知方程确定。
2)将训练集的图像从RGB空间转换为HSV空间,从RGB颜色空间到HSV颜色空间 的转换公式如下所示:
v=max
其中,r,g,b分别表示图像上某一点的红色分量、绿色分量和蓝色分量的归一化像素值, 即它们的值是在0到1之间的实数。max表示r、g、b中的最大值,min表示r、g、b中的 最小值。h、s、v分别表示转换为HSV空间后对应颜色通道的像素值,转换后的每个通道 的图像如图3所示。
3)对步骤2的输电线图像在HSV颜色空间进行分解,得到输电线图像的H、S、V三 个通道颜色分量。在H、S、V三个通道上分别提取其统计特征,在本专利中使用的是一阶 矩到六阶矩,公式如下所示:
其中,H和W分别表示图像的宽和高,f(i,j)表示图像中某一点的的像素值。将这些特 征组成一个n×18维的数据集,其中n表示样本个数。
4)对步骤3中的数据集进行归一化处理,归一化的方式有两种,公式如下所示:
前者的作用是原始数据被规整到[0,1]范围内,即yi∈[0,1],y=1,2……,n。后者的作用是 原始数据被规整到[-1,1]范围内,即yi∈[-1,1],y=1,2……,n。经过实验,本专利中选择的是 前一种归一化方法。
5)提取步骤4中所得的训练集的6个特征值组成分类器的训练集,并制作符合SVM格式的标签文件,如图4所示。将分类器训练集和测试集的正样本的类别标签置为1,负样本的类别标签置为-1。
6)选择核函数类型、SVM所涉及的惩罚因子c,gamma参数g以及核函数所用相关参数,利用步骤5得到的训练集训练分类器模型,得到分类器模型。在SVM的训练过程中, 让c和g在一定的范围内取值,寻找使得测试集分类结果最好的c和g。在本专利中,令c 的取值范围是[2-10,210],步长为0.1;g的取值范围是[2-10,210],步长为0.1。寻优结果如图5 所示。在图5中,x轴表示c取以2为底的对数后的值,y轴表示g取以2为底的对数后的 值,等高线表示取相应的c和g后对应的K折交叉验证的准确率。通过图5可以看出,c的 范围可以缩小到2-2~24,g的范围可以缩小到2-2~24,在这个范围内做更精细的参数选择。 经过寻优,c和g的取值分别为c=0.5,g=1,核函数选择RBF核可以取得最好的效果。
2.利用第一步中训练好的分类器对测试集图像进行预测,得到最后的分类结果。
1)对待识别的输电线图像进行预处理,图像尺寸大小统一缩放为600×400,缩放方式 选择双三次内插,并将图像转换为HSV图像。
2)得到的图像在HSV颜色空间进行分解,得到H、S、V三个通道的颜色分量。
3)在H、S、V通道上分别提取一阶矩到六阶矩,生成特征向量。
4)将特征向量用第一步训练好的分类器模型进行预测,根据分类器预测结果输出图像 中是否有鸟巢,若分类结果为1,则表明图像中没有鸟巢,一切正常;若分类结果为-1,则 表明图像中有鸟巢,应当立即定位并抢修。
Claims (1)
1.一种基于统计特征与机器学习的输电线路鸟巢识别方法,包括下列步骤:
1)将巡检后得到的输电线图像收集起来,依据图像中的输电线路中是否有鸟巢存在进行分类,并分为训练集和测试集,规定不含鸟巢的图像为正样本,含鸟巢的图像为负样本;训练集内正样本和负样本各半;对所有图像进行预处理,采用双三次内插方法使各个图像缩放到统一尺寸;
2)将训练集的图像从RGB颜色空间转换为HSV颜色空间;
3)对步骤2) 得到的输电线图像在HSV颜色空间进行分解,得到输电线图像的H、S、V三个通道颜色分量,在H、S、V三个通道上分别提取其统计特征,统计一阶矩到六阶矩,将这些特征组成一个n×18维的数据集,其中n表示样本个数;
4)对步骤3) 中的数据集进行归一化处理;
5)利用归一化处理后的数据组成分类器的训练集,并制作符合SVM格式的标签文件,将分类器训练集和测试集的正样本的类别标签置为1,负样本的类别标签置为-1;
6)选择核函数类型、SVM所涉及的惩罚因子c,gamma参数g以及核函数所用相关参数,利用步骤5) 得到的训练集训练分类器模型,得到分类器模型,通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值;
7)利用训练好的分类器对待识别输电线图像进行识别,判断是否存在鸟巢。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079831.0A CN108470140B (zh) | 2018-01-27 | 2018-01-27 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810079831.0A CN108470140B (zh) | 2018-01-27 | 2018-01-27 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470140A CN108470140A (zh) | 2018-08-31 |
CN108470140B true CN108470140B (zh) | 2021-12-07 |
Family
ID=63266160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810079831.0A Active CN108470140B (zh) | 2018-01-27 | 2018-01-27 | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470140B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2420242A (en) * | 2004-11-10 | 2006-05-17 | Enjoy Birds More Ltd | Surveillance system |
CN103745224A (zh) * | 2013-12-24 | 2014-04-23 | 西南交通大学 | 基于图像的铁路接触网鸟窝异常情况检测方法 |
CN105445283A (zh) * | 2016-02-01 | 2016-03-30 | 成都通甲优博科技有限责任公司 | 一种绝缘子图像污秽状态检测方法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
-
2018
- 2018-01-27 CN CN201810079831.0A patent/CN108470140B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2420242A (en) * | 2004-11-10 | 2006-05-17 | Enjoy Birds More Ltd | Surveillance system |
CN103745224A (zh) * | 2013-12-24 | 2014-04-23 | 西南交通大学 | 基于图像的铁路接触网鸟窝异常情况检测方法 |
CN105445283A (zh) * | 2016-02-01 | 2016-03-30 | 成都通甲优博科技有限责任公司 | 一种绝缘子图像污秽状态检测方法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
CN107240095A (zh) * | 2017-05-25 | 2017-10-10 | 武汉大学 | 一种基于可见光图像的直流线路绝缘子表面污秽状态识别法 |
Also Published As
Publication number | Publication date |
---|---|
CN108470140A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109785289B (zh) | 一种输电线路缺陷检测方法、***及电子设备 | |
CN110854807B (zh) | 基于ocr技术的新能源继电保护智能校核及预警*** | |
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
Liu et al. | High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测*** | |
CN111145159B (zh) | 提取巡检关键部件点的方法及装置 | |
CN116700357B (zh) | 一种架空输电线路无人机编队智能巡检方法 | |
Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN113988573A (zh) | 基于电力***巡检无人机的风险判断方法、***和介质 | |
CN116245871A (zh) | 基于改进yolox算法的输电线路异常目标检测方法 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检***及巡检方法 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控*** | |
CN117372954A (zh) | 充电站安全监测方法、装置、***和计算机设备 | |
CN116191680B (zh) | 一种应用于光伏发电的监控管理*** | |
CN108470140B (zh) | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
CN108470141B (zh) | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 | |
CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及*** | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |