一种高压输电线识别方法

1.本发明涉及高压输电线特征提取技术领域，具体涉及一种高压输电线识别方法。


背景技术：

2.随着社会经济对电网稳定可靠运行的需求和依赖性越来越强，电网已经成为经济发展中重要的组成部分。高压输电线作为电网中最重要的组成部分，它担负着电能的传输与分配任务，同时对供电安全性、稳定性的重要程度不言而喻。由于高压输电线路跨度较长，电力设备长期暴露于户外，不可避免地出现电力设备老化、损伤和锈蚀，给电网的安全稳定运行留下了极大的隐患。因此，为了确保持续可靠的电力传输，电力公司采取不同的巡检方式定期巡检输电线路和配电网。
3.近年来，图像处理技术、无人机控制技术和计算机视觉技术的日渐成熟，以大数据和移动互联技术为依托，推进电网朝智能化和自动化方向发展。国家电网开始使用无人机代替人工巡检，利用无人机进行输电线路巡检，不仅可以节省大量资金、时间，而且有助于避免巡检人员从事危险作业。但是在无人机低空飞行中，输电线是最具威胁的危险源和最难避开的障碍物之一，因此，准确识别航拍影像中的高压输电线对无人机自动避障安全飞行、保障电网安全稳定运行具有十分重要的现实意义。现有的高压输电线识别方法主要采用基于hough变换的方法、基于radon变换的方法、基于lsd的方法和基于扫描标记的方法，但是上述方法无法有效地在众多直线中识别出输电线，针对不同的应用场景需要人工设置不同的阈值，而有些阈值参数需要多次尝试才能达到最佳效果，这显然不符合输电线路自动巡检的要求。


技术实现要素：

4.(一)解决的技术问题
5.本发明针对上述高压输电线识别方法的缺陷问题，提供了一种基于深度学习的高压输电线识别方法，采用深度卷积神经网络构建语义分割网络模型自动识别电力巡检图像中高压输电线。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：
8.一种高压输电线识别方法，包括以下步骤：
9.s1、采用深度卷积神经网络构建用于高压输电线识别的语义分割网络模型；
10.s2、在航拍输电线数据集上训练和优化步骤s1建立的语义分割网络模型；
11.s3、将步骤s2训练好的语义分割网络模型加载到云平台服务器，采集无人机航拍输电线图像，所述图像经过图像处理后传输给云平台服务器，云平台服务器通过强化学习的方式进一步优化训练语义分割网络模型；
12.s4、将步骤s3训练好的语义分割网络模型部署到边缘计算平台上进行高压输电线在线识别。
13.优选地，所述步骤s3语义分割网络模型为改进的u-net网络模型，由编码器、特征融合模块、解码器、注意力机制模块组成，所述编码器的最底层与解码器的最底层通过特征融合模块相连，所述编码器的特征层除最底层外分别通过注意力机制模块与解码器的相应特征层相连。
14.优选地，所述编码器包括第一特征层、第二特征层、第三特征层、第四特征层、第五特征层；所述第一特征层、第二特征层、第三特征层、第四特征层、第五特征层分别为残差模块，所述第一特征层、第二特征层、第三特征层、第四特征层、第五特征层通过最大池化层依次连接。
15.优选地，所述残差模块包括第一1*1卷积、第二1*1卷积、第一3*3卷积、第二3*3卷积、第三3*3卷积；输入特征图x00通过第一1*1卷积进行通道调整后，将特征图平均分成4组，即特征图x01、特征图x02、特征图x03、特征图x04，所述特征图x01直接输出特征图y01，特征图x02通过第一3*3卷积操作后输出特征图y02，特征图x03和特征图y02分别通过第二3*3卷积操作后融合输出特征图y03，特征图x04和特征图y03分别通过第三3*3卷积操作后融合输出特征图y04，特征图y01、特征图y02、特征图y03、特征图y04先通过拼接concat操作再经过第二1*1卷积调整通道后，与输入特征图x00叠加add输出特征图y00。
16.优选地，所述残差模块包括第一1*1卷积、第二1*1卷积、第一3*3卷积、第二3*3卷积、第三3*3卷积；输入特征图x10通过第一1*1卷积进行通道调整后，将特征图平均分成4组，即特征图x11、特征图x12、特征图x13、特征图x14，所述特征图x11直接输出特征图y11，特征图x12、特征图y11分别通过第一3*3卷积操作后融合输出特征图y12，特征图x13、特征图y11和特征图y12分别通过第二3*3卷积操作后融合输出特征图y13，特征图x14、特征图y11、特征图y12和特征图y13分别通过第三3*3卷积操作后融合输出特征图y14，特征图y11、特征图y12、特征图y13、特征图y14先通过拼接concat操作再经过第二1*1卷积调整通道后，与输入特征图x10叠加add输出特征图y10。
17.优选地，所述特征融合模块为由4个空洞卷积构成的金字塔型模块，所述4个空洞卷积为3*3卷积，其膨胀率分别为1、6、12、18，所述4个空洞卷积并联连接，输入特征图与4个空洞卷积的并联输出拼接concat操作后，再经1*1卷积通道调整输出特征图。
18.优选地，所述注意力机制模块为squeeze-and-excitation(se)模块，所述se模块包括全局平均池化层、第一全连接层、激活函数层、第二全连接层、sigmoid函数层；输入特征图先经过全局平均池化层的池化操作后在第一全连接层处得到与通道数相对应的向量，再通过通道压缩和激活函数层操作后在第二全连接层处得到与通道数相等的向量，最后经过sigmoid函数层归一化得到权重向量，输入特征图与相应的权重向量相乘得到输出特征图。
19.(三)有益效果
20.本发明的有益效果：一种高压输电线识别方法，以res2net残差模块作为特征提取网络改进u-net网络模型，通过对特征通道进行分组，以滤波器组的形式得到分层连接,获得多个粒度更细的感受野，有效地提高线性特征的提取能力；在编码器与解码器对应层间跨层连接se模块，通过对不同特征图赋予相应的注意力权重，实现线性特征增强；在编码器和解码器的底层末端接入特征融合模块，图像特征通过空洞卷积进行多尺度映射，获取全局信息，提高输电线的识别精度。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明高压输电线识别方法流程图；
23.图2为本发明改进u-net语义分割网络模型结构图；
24.图3为本发明残差模块的一实施方式结构图；
25.图4为本发明残差模块的另一实施方式结构图；
26.图5为本发明特征融合模块结构图；
27.图6为本发明注意力机制模块结构图；
28.图7为本发明语义分割网络模型识别输电线结果。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通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。
30.结合图1，一种高压输电线识别方法，包括以下步骤：
31.s1、采用深度卷积神经网络构建用于高压输电线识别的语义分割网络模型；
32.s2、在航拍输电线数据集上训练和优化步骤s1建立的语义分割网络模型；
33.s3、将步骤s2训练好的语义分割网络模型加载到云平台服务器，采集无人机航拍输电线图像，所述图像经过图像处理后传输给云平台服务器，云平台服务器通过强化学习的方式进一步优化训练语义分割网络模型；
34.s4、将步骤s3训练好的语义分割网络模型部署到边缘计算平台上进行高压输电线在线识别。
35.结合图2，步骤s3语义分割网络模型为改进的u-net网络模型。改进的u-net网络模型由编码器、特征融合模块、解码器、注意力机制模块组成，编码器的最底层与解码器的最底层通过特征融合模块相连，编码器的特征层除最底层外分别通过注意力机制模块与解码器的相应特征层相连。
36.编码器包括第一特征层、第二特征层、第三特征层、第四特征层、第五特征层；所述第一特征层、第二特征层、第三特征层、第四特征层、第五特征层分别为残差模块，所述第一特征层、第二特征层、第三特征层、第四特征层、第五特征层通过最大池化层依次连接。
37.为了防止网络加深导致梯度消失而无法收敛,本发明采用res2net残差模块对特征通道进行分组,以滤波器组的形式得到分层连接,获得多个粒度更细的感受野。残差模块采用res2net残差模块替换原有的resnet残差模块，与其他的残差模块结构相比，res2net残差模块在模块的内部设置了残差层级连接，使用一组3*3卷积层代替了原来的卷积层，使得整个网络具有更小粒度的检测能力。图3和图4为res2net残差模块的两种实施方式。res2net残差模块中每个特征子图下的3*3卷积均可利用之前的特征，并且它的输出可以获
得更大的感受野，其在单层内增加了尺度，扩大了感受野范围，更好地利用了上下文信息，充分结合上下文信息可以令分类器更容易检测出具体目标。
38.图3为res2net残差模块的一种实施方式，残差模块包括第一1*1卷积、第二1*1卷积、第一3*3卷积、第二3*3卷积、第三3*3卷积；输入特征图x00通过第一1*1卷积进行通道调整后，将特征图平均分成4组，即特征图x01、特征图x02、特征图x03、特征图x04，所述特征图x01直接输出特征图y01，特征图x02通过第一3*3卷积操作后输出特征图y02，特征图x03和特征图y02分别通过第二3*3卷积操作后融合输出特征图y03，特征图x04和特征图y03分别通过第三3*3卷积操作后融合输出特征图y04，特征图y01、特征图y02、特征图y03、特征图y04先通过拼接concat操作再经过第二1*1卷积调整通道后，与输入特征图x00叠加add输出特征图y00。
39.图4为res2net残差模块的另一种实施方式，残差模块包括第一1*1卷积、第二1*1卷积、第一3*3卷积、第二3*3卷积、第三3*3卷积；输入特征图x10通过第一1*1卷积进行通道调整后，将特征图平均分成4组，即特征图x11、特征图x12、特征图x13、特征图x14，所述特征图x11直接输出特征图y11，特征图x12、特征图y11分别通过第一3*3卷积操作后融合输出特征图y12，特征图x13、特征图y11和特征图y12分别通过第二3*3卷积操作后融合输出特征图y13，特征图x14、特征图y11、特征图y12和特征图y13分别通过第三3*3卷积操作后融合输出特征图y14，特征图y11、特征图y12、特征图y13、特征图y14先通过拼接concat操作再经过第二1*1卷积调整通道后，与输入特征图x10叠加add输出特征图y10。
40.为了使提取的特征更为丰富，防止加深的网络出现梯度爆炸，在编码器和解码器的底层末端接入特征融合模块。结合图5，特征融合模块为由4个空洞卷积构成的金字塔型模块，所述4个空洞卷积为3*3卷积，其膨胀率分别为1、6、12、18，所述4个空洞卷积并联连接，输入特征图与4个空洞卷积的并联输出拼接concat操作后，再经1*1卷积通道调整输出特征图。
41.为了对不同特征图赋予不同的注意力权重，实现对输电线线性特征的增强和提取，在编码器与解码器对应层间的跳跃连接中引入注意力机制se模块。结合图6，se模块包括全局平均池化层、第一全连接层、激活函数层、第二全连接层、sigmoid函数层；输入特征图先经过全局平均池化层的池化操作后在第一全连接层处得到与通道数相对应的向量，再通过通道压缩和激活函数层操作后在第二全连接层处得到与通道数相等的向量，最后经过sigmoid函数层归一化得到权重向量，输入特征图与相应的权重向量相乘得到输出特征图。
42.解码器由深度可分离残差卷积组成，通过双线性插值上采样，不仅可以实现浅层和深层特征融合，提高特征提取能力，而且提升语义分割模型的运行速度，在保证识别精度的同时，尽可能地减小模型尺寸、降低计算复杂度。
43.图7给出了本发明在不同背景下的的输电线特征提取结果，本发明能够实现航拍图像中的高压输电线特征自动识别与提取。
44.综上所述，本发明实施例，一种高压输电线识别方法，以res2net残差模块作为特征提取网络改进u-net网络模型，通过对特征通道进行分组，以滤波器组的形式得到分层连接,获得多个粒度更细的感受野，有效地提高线性特征的提取能力；在编码器与解码器对应层间跨层连接se模块，通过对不同特征图赋予相应的注意力权重，实现线性特征增强；在编码器和解码器的底层末端接入特征融合模块，图像特征通过空洞卷积进行多尺度映射，获
取全局信息，提高输电线的识别精度。本发明利用语义分割网络对航拍图像中高压输电线特征进行自动识别与提取，能够用训练好的模型快速提取出图像中的高压输电线特征。
45.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。