融合残差和多尺度网络的电力线路危险源检测系统及方法与流程

1.本发明涉及计算机视觉技术领域，具体涉及融合残差和多尺度网络的电力线路危险源检测系统及方法。


背景技术：

2.输电线路长期暴露在户外环境中，不仅承受正常的机械荷载和电流冲击，而且还不可避免的遭受外界各种侵害，如在环境恶劣、人迹罕至处，则易受到自然环境中强风、冰冻、雷击、沙土、洪水、暴晒、鸟兽等各种侵害；在人口聚居地，除受自然侵害外，又易受到人为的破坏。
3.输电通道的安全运行是保证输电线路安全稳定运行的基础，近年来输电线路通道内因机械施工等外部因素引起的输电线路跳闸率占各类跳闸的首位。此外，随着经济发展，线路通道内高速铁路、高速公路、高电压等级线路越来越多，由于线路运维不到位，造成的重大社会影响的事故越来越多，传统运维方式难以有效管控。
4.目前输电通道巡检的技术手段主要有直升机巡检技术、无人机巡检技术、激光扫描技术和在线监测技术，在输电线路运维方面得到了一定的应用，但单一的技术手段很难实现危险源的及时辨识和持续跟踪，存在以下问题。
5.一、直升机巡检技术、无人机巡检技术、激光扫描技术能够有效发现线路本体缺陷和通道缺陷，受巡视频次限制，不能保证发现缺陷的及时性，并且监测周期长、投资成本高。
6.二、在线监测技术通过传感器对线路进行动态监测和诊断，具有一定的预知设备故障的能力，但在线监测技术无法获取通道内静态和动态目标距离的量测，无法对危险源进行准确识别和动态跟踪。


技术实现要素：

7.为了解决上述问题，本发明提供融合残差和多尺度网络的电力线路危险源检测系统及方法，用户使用卷积神经网络可以快速的识别危险源范围内的塔吊，避免安全事故的产生，防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
8.为了实现以上目的，本发明采取的一种技术方案是：
9.融合残差和多尺度网络的电力线路危险源检测系统，包括与控制模块相连的图像采集模块以及塔吊识别模型，所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块；所述塔吊识别模型，经所述控制模块处理的所述视频图像输出至所述塔吊识别模型，所述塔吊识别模型用于识别所述输电线路危险源范围内是否有塔吊进入；其中，使用危险源范围内若干个预先收集的含有塔吊的图片训练卷积神经网络获得所述塔吊识别模型。
10.进一步地，所述图像采集模块为单目摄像头，所述单目摄像头设置在所述危险源范围区。
11.进一步地，所述卷积神经网络包括backbone模块、rpn模块、module1模块以及
module2模块，含有塔吊的图片输出至所述backbone模块与所述rpn模块，所述backbone模块为共享的特征提取卷积网络，所述rpn模块为区域生成网络，所述rpn模块用于区分前景目标和背景目标，所述backbone模块与所述rpn模块相连，所述backbone模块输出至所述module1模块，所述rpn模块输出至所述module2模块，所述module1模块为基于相同的rpn生成的预测框的目标定位和分类的损失函数，所述module2模块为基于rpn的预测框分别生成不同的定位和分类损失函数。
12.进一步地，所述module1模块中的损失函数定义如下：
[0013][0014]
其中h1(
·
)＝{f(
·
)，c(
·
)}，h2(
·
)＝{f(
·
)，r(
·
)}，f(
·
)为所述backbone模块提取的共同特征，c(
·
)和r(
·
)分别为对特征进行分类和定位的函数，p表示从所述backbone模块和所述rpn模块中共同输出的预测框，y和分别表示目标真实的类别和位置坐标。
[0015]
进一步地，所述module2模块中的损失函数定义如下：
[0016][0017]
其中pc和pr分别为通过所述module2模块中的p经过不同的5层全连接得到的预测框，分别用于分类和定位。
[0018]
本发明还提供了一种基于以上任意一项融合残差和多尺度网络的电力线路危险源检测系统的检测方法，包括如下步骤：s10图片采集，通过单目摄像头采集输电线路危险源范围内的实时视频数据；s20塔吊识别模型训练，人工收集若干个危险源范围内含有塔吊的图片作为训练图片，采用训练图片训练神经网络模型获得塔吊识别模型；s30将所述实时视频数据经控制模块处理后输出至所述塔吊识别模型，使用所述塔吊识别模型识别所述实时视频数据是否含有危险源塔吊，并将识别结果输出至控制模块。
[0019]
进一步地，所述s20步骤包括：s21人工收集若干个危险源范围内含有塔吊的图片作为训练图片；s22构建卷积申请网络；s23构建wblock模块；s24构建残差网络模块rblock，当所述残差网络模块rblock输入为x，则输出为f(f(x)) x，其中weight layer为所述wblock模块；s25构建backbone特征提取模型；s26采用梯度下降算法进行模型训练，得到塔吊识别模型，并部署到后端服务器，部署时，检测网络拿掉module1。
[0020]
本发明的上述技术方案相比现有技术具有以下优点：
[0021]
本发明的融合残差和多尺度网络的电力线路危险源检测系统及方法，用户使用卷积神经网络可以快速的识别危险源范围内的塔吊，避免安全事故的产生，防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
附图说明
[0022]
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其有益效果显而易见。
[0023]
图1所示为本发明一实施例的系统结构图；
[0024]
图2所示为本发明一实施例的卷积神经网络的结构图；
[0025]
图3所示为本发明一实施例的wblock模块的结构图；
[0026]
图4所示为本发明一实施例的残差模块rblock的结构图；
[0027]
图5所示为本发明一实施例的backbone特征提取模型的结构图；
[0028]
图6所示为本发明一实施例的方法流程图。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
本实施例提供了融合残差和多尺度网络的电力线路危险源检测系统，如图1所示，包括与控制模块相连的图像采集模块以及塔吊识别模型。
[0031]
所述图像采集模块，用于采集输电线路危险源范围内的视频图像，并输出至所述控制模块。所述塔吊识别模型，经所述控制模块处理的所述视频图像输出至所述塔吊识别模型，所述塔吊识别模型用于识别所述输电线路危险源范围内是否有塔吊进入。其中，使用危险源范围内若干个预先收集的含有塔吊的图片训练卷积神经网络获得所述塔吊识别模型。所述图像采集模块为单目摄像头，所述单目摄像头设置在所述危险源范围区。
[0032]
如图2所示，所述卷积神经网络包括backbone模块、rpn模块、module1模块以及module2模块，含有塔吊的图片输出至所述backbone模块与所述rpn模块，所述backbone模块为共享的特征提取卷积网络，所述rpn模块为区域生成网络，所述rpn模块用于区分前景目标和背景目标，所述backbone模块与所述rpn模块相连，所述backbone模块输出至所述module1模块，所述rpn模块输出至所述module2模块，所述module1模块为基于相同的rpn生成的预测框的目标定位和分类的损失函数，所述module2模块为基于rpn的预测框分别生成不同的定位和分类损失函数。
[0033]
所述module1模块中的损失函数定义如下：
[0034][0035]
其中h1(
·
)＝{f(
·
)，c(
·
)}，h2(
·
)＝{f(
·
)，r(
·
)}，f(
·
)为所述backbone模块提取的共同特征，c(
·
)和r(
·
)分别为对特征进行分类和定位的函数，p表示从所述backbone模块和所述rpn模块中共同输出的预测框，y和分别表示目标真实的类别和位置坐标。
[0036]
所述module2模块中的损失函数定义如下：
[0037][0038]
其中pc和pr分别为通过所述module2模块中的p经过不同的5层全连接得到的预测框，分别用于分类和定位。
[0039]
如图3所示，本发明还提供了一种基于以上融合残差和多尺度网络的电力线路危险源检测系统的检测方法，包括如下步骤：s10图片采集，通过单目摄像头采集输电线路危险源范围内的实时视频数据。s20塔吊识别模型训练，人工收集若干个危险源范围内含有塔吊的图片作为训练图片，采用训练图片训练神经网络模型获得塔吊识别模型。s30将所述实时视频数据经控制模块处理后输出至所述塔吊识别模型，使用所述塔吊识别模型识别所述
实时视频数据是否含有危险源塔吊，并将识别结果输出至控制模块。
[0040]
如图4～6所示，所述s20步骤包括：s21人工收集若干个危险源范围内含有塔吊的图片作为训练图片；s22构建卷积申请网络；s23构建wblock模块；s24构建残差网络模块rblock，当所述残差网络模块rblock输入为x，则输出为f(f(x)) x，其中weight layer为所述wblock模块；s25构建backbone特征提取模型；s26采用梯度下降算法进行模型训练，得到塔吊识别模型，并部署到后端服务器，部署时，检测网络拿掉module1。
[0041]
以上所述仅为本发明的示例性实施例，并非因此限制本发明专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。