[發明專利]一種基于改進yolo_v3的鳥巢隱患檢測方法

在審

• 申請號: 202011021047.8
• 申請日: 2020-09-25
• 公開（公告）號: CN112149579A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 孫杰;彭龍;康鵬飛
• 申請（專利權）人: 國網江蘇省電力有限公司南通供電分公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/70;G08B3/10;G08B21/18
• 代理公司: 南通市永通專利事務所(普通合伙) 32100
• 代理人: 葛雷

本發明公開了一種基于改進yolo_v3的鳥巢隱患檢測方法，包括信息采集步驟，信息分析步驟，以及監控報警步驟，所述信息采集步驟為通過無人機獲取高清圖像，所述信息分析步驟為通過計算機對所述圖像進行識別分析，所述監控報警步驟為對所述信息分析步驟得到的結果進行展示并報警。該方法基于計算機視覺技術進行圖像識別，對輸電線路鐵塔上的鳥巢進行檢測，提高了鳥巢的檢出幾率，為避免鳥巢造成的輸電線路跳閘事件提供支撐。

技術領域

本發明涉及圖像識別領域，具體涉及到一種基于改進yolo_v3的鳥巢隱患檢測方法。

背景技術

目標檢測是計算機視覺領域的基本任務之一，目前已從學術界的研究發展至工業界的應用。近些年隨著深度學習技術的快速發展，目標檢測算法也從基于手工特征的傳統算法轉向了基于深度神經網絡的檢測技術。

目前針對輸電線路鐵塔上鳥巢隱患進行有效檢測與識別的方法是基于HSV顏色特征量方法。基于HSV顏色特征量原理是搜索符合鳥巢樣本的HSV顏色特征量的連通區域，作為候選的鳥巢區域，分析候選鳥巢區域的形狀特征參數，描述鳥巢粗糙度的灰度方差特征量，描述鳥巢紋理的慣性矩特征量，具體如圖1所示。由于能夠搜集到的鳥巢樣本數據有限，即可以比對的標準數據特征量有限，且采集和計算出的HSV顏色特征量和實際分布有偏差，導致這種方法存在兩個問題：（1）容易出現較多的多檢（例如樹林中的鳥巢）和誤檢（例如將顏色相近的土推判定為鳥巢）；（2）容易將鐵塔區域外的鳥巢也判定為隱患。

發明內容

為解決上述現有技術中的問題，為避免鳥巢造成的輸電線路跳閘事件提供支撐，本發明提供了一種基于改進yolo_v3的鳥巢隱患檢測方法。

本發明的技術解決方案是：

一種基于改進yolo_v3的鳥巢隱患檢測方法，包括信息采集步驟，信息分析步驟，以及監控報警步驟，所述信息采集步驟為通過無人機獲取高清圖像，所述信息分析步驟為通過計算機對所述圖像進行識別分析，所述監控報警步驟為對所述信息分析步驟得到的結果進行展示并報警。

本發明的有益效果是：通過改進yolo_v3的鳥巢對圖像識別，對鳥巢、鐵塔進行定位及綜合判斷，從而大幅降低了鳥巢的多檢和誤檢，提高了真正對輸電線路安全有威脅的鳥巢隱患的檢出幾率，為避免鳥巢造成的輸電線路跳閘事件提供支撐。

進一步的，所述信息分析步驟為采用改進yolo_v3算法對所述圖像進行識別分析。

進一步的，所述信息分析步驟還包括以下步驟：

S1：基于輸電線路鐵塔上鳥巢圖像數據的分布特點，提出一種改進yolo_v3模型；

S2：無人機拍攝高清圖像，并將該圖像輸入S1中得到的改進yolo_v3模型；

S3：將S2中得到的圖像劃分成為S×S的格柵，并判斷每個格柵中是否存在物體的中心；

S4：每個格柵負責檢測中心落在該格柵內的物體的坐標位置、類別、準確度，得到鳥巢位置信息、鐵塔位置信息。

S5：邏輯判斷，即根據S4中檢測得到的鳥巢位置信息、鐵塔位置信息，判斷是否存在鳥巢隱患。

進一步的，所述步驟S3中的改進yolo_v3采用適用于高分辨率、大感受野骨干網絡的空洞卷積。

進一步的，所述步驟S3中的格柵為 6×6的格柵。

進一步的，所述步驟S4中，當檢測得到鳥巢位置信息位于鐵塔位置信息以內時，將此鳥巢判斷為鳥巢隱患，所述監控報警步驟報警。