一种用于输电工程安全建设的图像识别方法和系统与流程

1.本发明属于输电工程智能建设技术领域，特别涉及一种用于输电工程安全建设的图像识别方法和系统。


背景技术：

2.随着输电线路建设技术的升级，输电线路通道可视化远程巡视被广泛应用，但由于施工的一些存在的安全隐患，如烟火等影响了输电工程的安全，并且无法高质量的保障输电工程项目的推进。现有的工程安全隐患的预防方式还是以人工巡检为主，但人工的劳动强度较大，无法全天有效的进行隐患预防。因此，需要一种新型的图像识别技术来实时检测输电线路周围的环境，从而预防安全隐患，保障输电工程建设过程中的安全和质量，能够安全文明的进行施工。
3.近年来，随着计算机和gpu计算能力的日益提升，深度学习已经成功应用在多种计算机视觉任务中。在数以万计的图像识别任务中，深度学习的识别速度快，且效果远远优于人类的识别准确度。如何提供一种高效、可靠的输电图像识别技术，能够快速有效的保证输电工程安全和高质量的完成项目工程，预防安全隐患，是目前本领域技术人员亟待解决的问题之一。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种用于输电工程安全建设的图像识别方法和系统。实现对输电工程建设过程中的安全隐患进行检测，并将检测结果返回给监控人员，减少监控人员的工作量，并排除输电工程建设过程中的隐患。
5.为实现上述目的，本发明采用以下技术方案：
6.一种用于输电工程安全建设的图像识别方法，，包括以下步骤：
7.获取输电场景下的烟火隐患图像数据，并将所述烟火隐患图像数据按预设比例划分为训练集和测试集；
8.构建用于图像识别的检测网络yolov5；所述检测网络yolov5在sppf结构后加入transformer模块，并在所述特征融合层内增加跳跃连接；
9.将所述训练集数据预处理后输入检测网络yolov5，完成对烟火隐患图像数据的检测模型训练；
10.采用训练后的检测模型对所述测试集数据进行测试，经过测试之后得到输电工程安全建设的图像识别结果。
11.进一步的，所述训练集和测试集划分的比例为8:2。
12.进一步的，所述transformer模块工作的过程包括：将进行目标特征提取后的特征图转化为输入输出序列的方式，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度。
13.进一步的，所述预处理的过程为：将所述烟火隐患图像数据缩放至检测网络所需
的尺寸，并进行归一化处理。
14.进一步的，所述检测网络所需的尺寸为1280*1280。
15.进一步的，在所述预处理之后还包括：
16.采用mosaic进行数据增强，用随机缩放、随机裁剪或者随机排布的方式进行拼接增加模型的泛化性，并进行自适应锚框计算；
17.利用k-means聚类更新anchor，来适配同一张图中不同大小的目标。
18.进一步的，在利用k-means聚类更新anchor之后还包括：利用遗传算法重新搜索训练超参，重新调整网络参数进行训练，以及采用adam优化器进行梯度更新。
19.进一步的，对所述烟火隐患图像数据的检测模型训练的过程包括：
20.首先，通过backbone阶段进行图像的特征提取，经过一系列的卷积和激活，训练集图像数据经过下采样得到特征图；
21.其次，经过transformer学习特征之间的相关性；在neck阶段重复多次的上采样，并进行多次的跳跃连接，加强特征信息的融合，弥补因下采样带来的细节信息的损失；
22.最后，在output阶段进行高层语义信息的提取，并在不同尺度上回归目标区域和类别信息。
23.本发明还提出了一种用于输电工程安全建设的图像识别系统，包括获取模块、构建模块、训练模块和测试模块；
24.所述获取模块用于获取输电场景下的烟火隐患图像数据，并将所述烟火隐患图像数据按预设比例划分为训练集和测试集；
25.所述构建模块用于构建用于图像识别的检测网络yolov5；所述检测网络yolov5在sppf结构后加入transformer模块，并在所述特征融合层内增加跳跃连接；
26.所述训练模块用于将所述训练集数据预处理后输入检测网络yolov5，完成对烟火隐患图像数据的检测模型训练；
27.所述测试模块用于采用训练后的检测模型对所述测试集数据进行测试，经过测试之后得到输电工程安全建设的图像识别结果。
28.进一步的，所述transformer模块工作的过程包括：将进行目标特征提取后的特征图转化为输入输出序列的方式，然后通过多头自我注意力层进行优化计算将多个注意输出线性连接到期望的维度。
29.发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
30.本发明提出了一种用于输电工程安全建设的图像识别方法和系统，该方法包括获取输电场景下的烟火隐患图像数据，并将所述烟火隐患图像数据按预设比例划分为训练集和测试集；构建用于图像识别的检测网络yolov5；检测网络yolov5在sppf结构后加入transformer模块，并在所述特征融合层内增加跳跃连接；将训练集数据预处理后输入检测网络yolov5，完成对烟火隐患图像数据的检测模型训练；采用训练后的检测模型对所述测试集数据进行测试，经过测试之后得到输电工程安全建设的图像识别结果。基于一种用于输电工程安全建设的图像识别方法，还提出了一种用于输电工程安全建设的图像识别系统，本发明将transformer模块与现有的检测网络相结合，并修改了特征融合的连接方式，加强了图像全局和局部的依赖关系，并增强了特征的提取能力，降低背景干扰。
31.本发明提高了整体检测算法的鲁棒性，并在在复杂场景下具有更好的前景提取能力，对小目标的检测也有较好的检测效果。
32.本发明能够高效、可靠的检测到监测区域内的安全隐患，为输电工程建设过程中的安全和工程项目的高质量推进提供技术支撑和保障。
附图说明
33.如图1为本发明实施例1一种用于输电工程安全建设的图像识别方法流程图；
34.如图2为本发明实施例1用于图像识别的检测网络yolov5的架构图；
35.如图3为本发明实施例2一种用于输电工程安全建设的图像识别系统示意图。
具体实施方式
36.为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
37.实施例1
38.本发明实施例1提出了一种用于输电工程安全建设的图像识别方法，利用深度学习算法进行输电基建工程管控，实现对输电工程建设过程中的安全隐患进行检测，并将检测结果返回给监控人员，减少监控人员的工作量，并排除输电工程建设过程中的隐患，本发明可以高效、可靠的检测异常的安全隐患，能够很好的适用于输电基建工程管控过程中。
39.如图1为本发明实施例1一种用于输电工程安全建设的图像识别方法流程图；
40.在步骤s100中，获取输电场景下的烟火隐患图像数据，并将烟火隐患图像数据按预设比例划分为训练集和测试集；其中训练集和测试集的比例为8:2。
41.在步骤s110中，构建用于图像识别的检测网络yolov5；所述检测网络yolov5在sppf结构后加入transformer模块，并在所述特征融合层内增加跳跃连接；
42.如图2为本发明实施例1用于图像识别的检测网络yolov5的架构图，在sppf结构后加入transformer模块，并修改特征融合层，增加两个跳跃连接，加大上下文的特征信息流动，提升网络的鲁棒性。
43.先用cnn提取目标的纹理、颜色等显著特征，然后将特征图转换为类似token的处理方式，这样就可以变成输入输出都是序列的形式。通过self-attention并行化计算，挖掘输入输出的依赖关系，多头自我注意力层可以将多个注意输出线性连接到期望的维度，有助于了解图像局部和全局的依赖关系。后面为了增强cnn的学习能力，分支路进行特征提取，将特征图进行卷积，同时卷积前后的结果进行concate。
44.其中类似token的处理方式为：通过embedding层进行数据变换，对于h*w的特征图，按照s*s的patch进行划分，然后得到k＝(h/s)*(w/s)个patch，接着将patch通过线性映射到一维向量中，而映射得到的长度为s*s的向量就是token。
45.为了增加上下层的特征信息的融合，在不同尺度的输入输出节点增加一个跳跃连
接，在不增加过多计算成本的同时，融合更多的特征，将每个双向路径看成一个特征网络层，并多次重复同一层，来实现高层次的特征融合。
46.为了解决iou loss在预测框和真实框非重叠下loss梯度为0的问题，采用giouloss，能够很好的反映两者的重合度。
47.在步骤s120中，将训练集数据预处理后输入检测网络yolov5，完成对烟火隐患图像数据的检测模型训练；
48.图像进行预处理，缩放到检测网络所需尺寸1280*1280，并进行归一化，减少计算量，使模型能够快速的收敛；
49.采用mosaic进行数据增强，用随机缩放、随机裁剪、随机排布的方式进行拼接，从而增加模型的泛化性，并进行自适应锚框计算，利用k-means聚类更新anchor，来适配同一张图中不同大小的目标。
50.利用遗传算法重新搜索训练超参，重新调整网络参数进行训练，以及采用adam优化器进行梯度更新。
51.首先，通过backbone阶段进行图像的特征提取，经过一系列的卷积和激活，训练集图像数据经过下采样得到特征图；其次，经过transformer学习特征之间的相关性；在neck阶段重复多次的上采样，并进行多次的跳跃连接，加强特征信息的融合，弥补因下采样带来的细节信息的损失；最后，在output阶段进行高层语义信息的提取，并在不同尺度上回归目标区域和类别信息。
52.训练初期快速学习到图像的通用特征，后期可选择冻结上层权重参数，进行下层权重值的参数微调，使之模型能够更加聚焦于需要识别的区域。
53.在步骤s130中，采用训练后的检测模型对所述测试集数据进行测试，经过测试之后得到输电工程安全建设的图像识别结果。
54.本发明实施例1提出的一种用于输电工程安全建设的图像识别方法将transformer模块与现有的检测网络相结合，并修改了特征融合的连接方式，加强了图像全局和局部的依赖关系，并增强了特征的提取能力，降低背景干扰。
55.本发明实施例1提出的一种用于输电工程安全建设的图像识别方法提高了整体检测算法的鲁棒性，并在在复杂场景下具有更好的前景提取能力，对小目标的检测也有较好的检测效果。
56.本发明实施例1提出的一种用于输电工程安全建设的图像识别方法能够高效、可靠的检测到监测区域内的安全隐患，为输电工程建设过程中的安全和工程项目的高质量推进提供技术支撑和保障。
57.实施例2
58.基于本发明实施例1提出的一种用于输电工程安全建设的图像识别方法，本发明实施例2还提出了一种用于输电工程安全建设的图像识别系统。如图3为本发明实施例2一种用于输电工程安全建设的图像识别系统示意图，该系统包括获取模块、构建模块、训练模块和测试模块；
59.获取模块用于获取输电场景下的烟火隐患图像数据，并将烟火隐患图像数据按预设比例划分为训练集和测试集；其中训练集和测试集的比例为8:2。
60.构建模块用于构建用于图像识别的检测网络yolov5；所述检测网络yolov5在sppf
结构后加入transformer模块，并在所述特征融合层内增加跳跃连接；
61.训练模块用于将所述训练集数据预处理后输入检测网络yolov5，完成对烟火隐患图像数据的检测模型训练；
62.测试模块用于采用训练后的检测模型对所述测试集数据进行测试，经过测试之后得到输电工程安全建设的图像识别结果。
63.构建模块实现的过程包括：如图2为本发明实施例1用于图像识别的检测网络yolov5的架构图，在sppf结构后加入transformer模块，并修改特征融合层，增加两个跳跃连接，加大上下文的特征信息流动，提升网络的鲁棒性。
64.先用cnn提取目标的纹理、颜色等显著特征，然后将特征图转换为类似token的处理方式，这样就可以变成输入输出都是序列的形式。通过self-attention并行化计算，挖掘输入输出的依赖关系，多头自我注意力层可以将多个注意输出线性连接到期望的维度，有助于了解图像局部和全局的依赖关系。后面为了增强cnn的学习能力，分支路进行特征提取，将特征图进行卷积，同时卷积前后的结果进行concate。
65.其中类似token的处理方式为：通过embedding层进行数据变换，对于h*w的特征图，按照s*s的patch进行划分，然后得到k＝(h/s)*(w/s)个patch，接着将patch通过线性映射到一维向量中，而映射得到的长度为s*s的向量就是token。
66.为了增加上下层的特征信息的融合，在不同尺度的输入输出节点增加一个跳跃连接，在不增加过多计算成本的同时，融合更多的特征，将每个双向路径看成一个特征网络层，并多次重复同一层，来实现高层次的特征融合。
67.为了解决iou loss在预测框和真实框非重叠下loss梯度为0的问题，采用giouloss，能够很好的反映两者的重合度。
68.训练模块实现的过程包括：图像进行预处理，缩放到检测网络所需尺寸1280*1280，并进行归一化，减少计算量，使模型能够快速的收敛；
69.采用mosaic进行数据增强，用随机缩放、随机裁剪、随机排布的方式进行拼接，从而增加模型的泛化性，并进行自适应锚框计算，利用k-means聚类更新anchor，来适配同一张图中不同大小的目标。
70.利用遗传算法重新搜索训练超参，重新调整网络参数进行训练，以及采用adam优化器进行梯度更新。
71.首先，通过backbone阶段进行图像的特征提取，经过一系列的卷积和激活，训练集图像数据经过下采样得到特征图；其次，经过transformer学习特征之间的相关性；在neck阶段重复多次的上采样，并进行多次的跳跃连接，加强特征信息的融合，弥补因下采样带来的细节信息的损失；最后，在output阶段进行高层语义信息的提取，并在不同尺度上回归目标区域和类别信息。
72.训练初期快速学习到图像的通用特征，后期可选择冻结上层权重参数，进行下层权重值的参数微调，使之模型能够更加聚焦于需要识别的区域。
73.本发明实施例2提出的一种用于输电工程安全建设的图像识别系统，将transformer模块与现有的检测网络相结合，并修改了特征融合的连接方式，加强了图像全局和局部的依赖关系，并增强了特征的提取能力，降低背景干扰。
74.本发明实施例2提出的一种用于输电工程安全建设的图像识别系统，提高了整体
检测算法的鲁棒性，并在在复杂场景下具有更好的前景提取能力，对小目标的检测也有较好的检测效果。
75.本发明实施例2提出的一种用于输电工程安全建设的图像识别系统，能够高效、可靠的检测到监测区域内的安全隐患，为输电工程建设过程中的安全和工程项目的高质量推进提供技术支撑和保障。
76.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本技术实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
77.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。