CN112183182A - 针对输电线路的缺陷识别方法 - Google Patents
针对输电线路的缺陷识别方法 Download PDFInfo
- Publication number
- CN112183182A CN112183182A CN202010800787.5A CN202010800787A CN112183182A CN 112183182 A CN112183182 A CN 112183182A CN 202010800787 A CN202010800787 A CN 202010800787A CN 112183182 A CN112183182 A CN 112183182A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- model
- images
- convolution
- 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.)
- Pending
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别技术领域,具体涉及一种针对输电线路的缺陷识别方法。本发明提出一种基于YOLO算法的图像识别技术。该识别***不仅能够针对外力破坏实施准确的监控,铁塔微气象感应,并且可以对铁塔周身等关键部件实施缺陷检测,从而大大提升了目标识别和缺陷检测的准确率以及不同环境下所采集数据的准确性。本发明能够对不同区域下采集的图像进行快速识别检测并且发现异常;对大量回传数据实现了智能监控,降低了运营团队的工作量;采用了端到端的图像处理方式,对于每张图像能够实现秒级处理。
Description
技术领域
本发明属于基于深度学习的计算机视觉技术领域,具体涉及一种针对输电线路的缺陷识别方法。
背景技术
现目前,我国的居民生产生活对于电能资源的需求量越来越大。随着科技技术的快速发展,利用智能化技术来解决输电线路巡视难度大、工作量大、数据繁重、安全难以保障等问题成为了目前所极力推崇的解决方案。因此,利用深度学习算法来实现输电线路的图像识别,对于保障电网的日常运行显得格外重要。
深度学习近年来的飞速发展,越来越多的人工智能应用得以实现。其本质是一个可以模拟人脑进行分析、学习的神经网络,它模仿人脑的机制来解释数据(例如图像数据),通过组合底层特征,形成更加抽象的高层特征或属性类别,来拟合人们日常生活中的各种事情。
在日常工作中,有大量的图像信息从前端采集回来,这使得图像识别在业务中产生价值成为了可能。图像识别技术的四大要素:数据、算力、算法以及场景。利用足够多的图像数据以及合理的算法便能够拟合出性能优秀的识别模型。
此外,传统端到端的图像识别算法对所处环境复杂的目标、不同光照强度以及不同目标尺寸等因素表现能力不够。
发明内容
针对一般的图像识别算法性能的不足,本发明提出一种端到端的的图像识别技术。该识别***不仅能够针对外力破坏实施准确的监控,铁塔微气象感应,并且可以对铁塔周身等关键部件实施缺陷检测,从而大大提升了目标识别和缺陷检测的准确率以及不同环境下所采集数据的准确性。
本发明的技术方案为:针对输电线路的缺陷识别方法,其特征在于,包括以下步骤:
S1、构造训练数据集:通过摄像头采集包含有缺陷特征的图像,所述缺陷特征的类别包括黑鹳、鸟巢、塔下灌木、山火、覆冰、塔下行人、机械车辆、房屋、微气象、绝缘子爆裂、防震锤脱落、导线散股、销钉脱落、号牌损坏;利用标记框对图像中的每一类目标特征进行标记并通过标签标注,经过预处理将所有图像尺寸调整至224*224,所有图像及其对应的标签构成训练数据集;
S2、构建神经网络模型:采用resnet-50模型,包括5个卷积模块、1个平均池化层和1个全连接层,最后通过Softmax分类器进行分类;其中,卷积模块通过3*3的卷积核进行卷积操作,从第一个卷积模块到第五个卷积模块,输入图像被处理成为7*7的特征图像,神经元节点均采用ReLU激活函数;
S3、采用步骤S1构造的训练数据集对步骤S2构建的神经网络模型进行训练,采用均值平方差函数作为模型训练的代价函数:
其中,n是训练样本的数量;observde表示模型在第t个输入下的输出;predicted表示同样的输入下的预测值。
获得训练好的神经网络模型;
S4、将采集的实时图像输入训练好的神经网络模型,从而获得缺陷识别结果。
本发明的有益效果是:(1)能够对不同区域下采集的图像进行快速识别检测并且发现异常;(2)该识别***对大量回传数据实现了智能监控,降低了运营团队的工作量;(3)采用了端到端的图像处理方式,对于每张图像能够实现秒级处理。
附图说明
图1为识别***的逻辑示意框图;
图2为部分测试指标--气象分类测试指标示意;
具体实施方式
本发明的具体方法包括:
数据收集和标注。数据包括以下类型:特定鸟类(黑鹳)、鸟巢、塔下灌木、山火、覆冰、塔下行人、机械车辆、房屋、微气象(雪天、晴天、雨天、雾天)、绝缘子爆裂、防震锤脱落、导线散股、销钉脱落、号牌损坏。所有图像均采集自前端摄像头。利用矩形标记框对目标类别进行标记并附带名称。
数据预处理。该算法采用的是单独的CNN模型来实现端到端的目标检测。因此,模型的输入需要进行尺寸调整。在预处理阶段需将输入图像尺寸调整至224*224。
网络模型设计。YOLO算法采用卷积神经网络来提取图像特征。然后使用全连接层来得到预测值。该项专利发明中所用网络为resnet-50模型。网络总共包含了5个卷积模块、1个平均池化层和1个全连接层。在卷积处理阶段,主要使用3*3的卷积核来进行卷积操作。从第一个卷积模块到第五个卷积模块,输入图像被处理成为7*7的特征图像。神经元节点均采用ReLU激活函数(公式1如下所示)。
F(x)=max(0,x) (公式1)
该激活函数的特点是可以用稀疏矩阵来表达目标的整体特征。但是最后一层采用了非线性激活函数Softmax回归,其中全连接层对应了识别类别的总体数量,Softmax函数用于最后的分类器。公式如下:
Softmax=exp(logits)/reduce_sum(exp(logits),dim) (公式2)
其中,logits表示某一节点的输出值并对应了Softmax的输出值;e表示自然常数;reduce_sum表示神经元的输入值和。
训练识别模型。对于模型训练的真实状态采用了均值平方差函数来作为模型训练的代价函数。在训练的过程中主要作为是用来表达预测值和真实值之间的差异。该函数的公式如下:
该识别模型中采用了小批量梯度下降,将数据分若干个批,按批来更新参数,这样一批中的一组数据共同决定了本次梯度的方向。该方法平衡了训练速度和训练精度,使得算法在不需要过长的训练时间的前提下获得了优秀的模型。项目配置文件中设定的学习率初始值为0.001,随着训练的进行学习率进行衰减。意图是在训练的开始阶段利用较大的学习率来加速训练,在训练后期降低学习率来提高训练精度。
Claims (1)
1.针对输电线路的缺陷识别方法,其特征在于,包括以下步骤:
S1、构造训练数据集:通过摄像头采集包含有缺陷特征的图像,所述缺陷特征的类别包括黑鹳、鸟巢、塔下灌木、山火、覆冰、塔下行人、机械车辆、房屋、微气象、绝缘子爆裂、防震锤脱落、导线散股、销钉脱落、号牌损坏;利用标记框对图像中的每一类目标特征进行标记并通过标签标注,经过预处理将所有图像尺寸调整至224*224,所有图像及其对应的标签构成训练数据集;
S2、构建神经网络模型:采用resnet-50模型,包括5个卷积模块、1个平均池化层和1个全连接层,最后通过Softmax分类器进行分类;其中,卷积模块通过3*3的卷积核进行卷积操作,从第一个卷积模块到第五个卷积模块,输入图像被处理成为7*7的特征图像,神经元节点均采用ReLU激活函数;
S3、采用步骤S1构造的训练数据集对步骤S2构建的神经网络模型进行训练,采用均值平方差函数作为模型训练的代价函数:
其中,n是训练样本的数量;observde表示模型在第t个输入下的输出;predicted表示同样的输入下的预测值。
获得训练好的神经网络模型;
S4、将采集的实时图像输入训练好的神经网络模型,从而获得缺陷识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800787.5A CN112183182A (zh) | 2020-08-11 | 2020-08-11 | 针对输电线路的缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800787.5A CN112183182A (zh) | 2020-08-11 | 2020-08-11 | 针对输电线路的缺陷识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183182A true CN112183182A (zh) | 2021-01-05 |
Family
ID=73918994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800787.5A Pending CN112183182A (zh) | 2020-08-11 | 2020-08-11 | 针对输电线路的缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183182A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
-
2020
- 2020-08-11 CN CN202010800787.5A patent/CN112183182A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449769A (zh) * | 2021-05-18 | 2021-09-28 | 内蒙古工业大学 | 输电线路覆冰识别模型训练方法、识别方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034210B (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
Khaing et al. | Development of control system for fruit classification based on convolutional neural network | |
CN107665355B (zh) | 一种基于区域卷积神经网络的农业害虫检测方法 | |
CN108985268B (zh) | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
CN111652236A (zh) | 弱监督场景下跨层特征交互的轻量级细粒度图像识别方法 | |
CN111612051B (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN108416270B (zh) | 一种基于多属性联合特征的交通标志识别方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
CN115457006B (zh) | 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置 | |
CN109871892A (zh) | 一种基于小样本度量学习的机器人视觉认知*** | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
CN112183182A (zh) | 针对输电线路的缺陷识别方法 | |
Dharwadkar et al. | Floriculture classification using simple neural network and deep learning | |
An | Xception network for weather image recognition based on transfer learning | |
Ma et al. | Sprouting potato recognition based on deep neural network GoogLeNet | |
CN111401442A (zh) | 一种基于深度学习的水果识别方法 | |
CN113869136B (zh) | 基于多分支网络的半监督极化sar图像分类方法 | |
CN114049522A (zh) | 一种基于深度学习的垃圾分类*** |
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 |