[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的變電站鳥巢識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910389617.X
• 申請日: 2019-05-10
• 公開（公告）號: CN110175538A
• 公開（公告）日: 2019-08-27
• 發(fā)明（設(shè)計(jì)）人: 葉杰;何春慶;廖華年;徐啟峰;劉智;鄒立堯;劉莉莉;陳蘇芳;謝水財(cái);蔡小偉;何文豐;湯永清
• 申請（專利權(quán)）人: 國網(wǎng)福建省電力有限公司龍巖供電公司;國網(wǎng)福建省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/40;G06N3/04;G06N3/08
• 代理公司: 廈門市首創(chuàng)君合專利事務(wù)所有限公司 35204
• 代理人: 張松亭;李艾華

本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)的變電站鳥巢識別方法及系統(tǒng)，方法包括：圖像預(yù)處理，接收變電站視頻圖像輸入，并對視頻圖像進(jìn)行去噪和增強(qiáng)以提高目標(biāo)與背景的對比度；數(shù)據(jù)格式處理，將預(yù)處理后的圖像轉(zhuǎn)換成以二進(jìn)制存儲的TFRecord文件；圖像識別，基于Faster R?CNN算法與LSTM網(wǎng)絡(luò)構(gòu)建變電站鳥巢識別模型；基于訓(xùn)練好的變電站鳥巢識別模型對數(shù)據(jù)格式處理后的視頻圖像進(jìn)行處理，獲得識別結(jié)果。本發(fā)明針對變電站環(huán)境中鳥巢位置隱蔽多變等特征，提出基于Faster R?CNN算法和LSTM網(wǎng)絡(luò)的算法對變電站鳥巢進(jìn)行識別，具有很好的特征提取能力，能降低鳥類活動對變電站設(shè)備的不良影響，提高變電站運(yùn)行的可靠性。

技術(shù)領(lǐng)域

本發(fā)明涉及變電站智能巡檢技術(shù)領(lǐng)域，特別涉及一種基于機(jī)器學(xué)習(xí)的變電站鳥巢識別方法及系統(tǒng)。

背景技術(shù)

目前，變電站均實(shí)現(xiàn)了視頻圖像全覆蓋，并采用人工或部分自動視頻巡檢方式進(jìn)行實(shí)時(shí)監(jiān)控。然而，這一方式造成監(jiān)視人員疲乏，效率低下，不能及時(shí)發(fā)現(xiàn)輸電線路及周邊出現(xiàn)的異常情況，因此采用智能巡檢的方式是必然發(fā)展趨勢。鳥類在架空線路以及設(shè)備上的筑巢問題十分普遍，在春季鳥類繁殖期間尤為突出。統(tǒng)計(jì)數(shù)據(jù)表明，鳥類筑巢點(diǎn)大多位于刀閘接頭處與基座內(nèi)部、各相倒裝瓷瓶支持座、桿塔橫擔(dān)和塔頭上。鳥巢主要由稻草、樹枝構(gòu)成，在潮濕天氣或雨季易造成變電站設(shè)備的絕緣強(qiáng)度降低。另外，長稻草也極易掉落并掛接于各相間，觸及帶電體進(jìn)而造成線路短路、跳閘，且鳥類在變電站線路架構(gòu)和設(shè)備之間的活動同樣容易引發(fā)電氣故障。

由于鳥巢大小不一，形狀各異，且變電站監(jiān)控系統(tǒng)所拍攝的鳥巢常常不完整，部分甚至人眼都難以辨別。此外，變電站的視頻圖像背景復(fù)雜，僅通過簡單的視頻圖像處理算法難以區(qū)分稻草與背景中的樹木。現(xiàn)有的變電站鳥巢識別方法多根據(jù)鳥巢區(qū)域特殊的紋理、顏色、形狀來辨別，但樹枝、草叢等也有相似的紋理特性，并且顏色呈現(xiàn)灰色，干擾較大，效果并不理想。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種基于機(jī)器學(xué)習(xí)的變電站鳥巢識別方法及系統(tǒng)，能夠提升現(xiàn)有視頻圖像監(jiān)控技術(shù)水平，保障變電站安全可靠的運(yùn)行。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一方面，本發(fā)明一種基于機(jī)器學(xué)習(xí)的變電站鳥巢識別方法，包括：

圖像預(yù)處理，接收變電站視頻圖像輸入，并對視頻圖像進(jìn)行去噪和增強(qiáng)以提高目標(biāo)與背景的對比度；

數(shù)據(jù)格式處理，將預(yù)處理后的圖像轉(zhuǎn)換成以二進(jìn)制存儲的TFRecord文件；

圖像識別，基于Faster R-CNN算法與LSTM網(wǎng)絡(luò)構(gòu)建變電站鳥巢識別模型；基于訓(xùn)練好的變電站鳥巢識別模型對數(shù)據(jù)格式處理后的視頻圖像進(jìn)行處理，獲得識別結(jié)果。

優(yōu)選的，所述圖像預(yù)處理包括：

通過對圖像進(jìn)行灰度變換，得到含有噪聲的梯度圖像，然后利用小概率策略和最大類間誤差法準(zhǔn)則對圖像進(jìn)行分割，得到目標(biāo)和背景兩個(gè)部分，再采用不同階次的分?jǐn)?shù)階微積分掩模對各個(gè)區(qū)域進(jìn)行處理，得到自適應(yīng)去噪和增強(qiáng)后的圖像。

優(yōu)選的，在進(jìn)行所述變電站鳥巢識別模型訓(xùn)練時(shí)，通過旋轉(zhuǎn)的數(shù)據(jù)對訓(xùn)練樣本圖像進(jìn)行擴(kuò)增操作，將有限的訓(xùn)練樣本進(jìn)行擴(kuò)充；具體為從資料庫中收集并整理出含有鳥巢的視頻圖像，并分別進(jìn)行三次的對比分析，以矩形候選框的形式手動標(biāo)注出目標(biāo)的位置；然后確定每張圖片中所標(biāo)注目標(biāo)的位置是否正確。

優(yōu)選的，所述識別結(jié)果包括輸出目標(biāo)區(qū)域、目標(biāo)類型以及對應(yīng)的概率，對視頻圖像中所占面積最大的目標(biāo)區(qū)域進(jìn)行提取，得到鳥巢視頻圖像。

優(yōu)選的，所述變電站鳥巢識別模型的訓(xùn)練過程包括：

(1)輸入標(biāo)記有鳥巢的變電站巡檢視頻圖像，并將原視頻圖像縮放為245×205，同時(shí)計(jì)算VGG-16最后一層卷積層的特征圖尺寸；