[發(fā)明專利]一種從局部到整體感知的電網(wǎng)場(chǎng)景預(yù)警分類方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110326603.0
• 申請(qǐng)日: 2021-03-26
• 公開（公告）號(hào): CN112907138B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計(jì)）人: 孫浩飛;王南;高峰;高坤;魏昊焜;郭安祥;王辰曦;張海軍;李群;楊彪
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院;哈爾濱工業(yè)大學(xué)（深圳）;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G06Q10/0631
• 分類號(hào): G06Q10/0631;G06Q10/0635;G06Q50/06;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 范巍

本發(fā)明公開了一種從局部到整體感知的電網(wǎng)場(chǎng)景預(yù)警分類方法及系統(tǒng)，所述方法包括以下步驟：將電網(wǎng)場(chǎng)景圖片輸入訓(xùn)練好的分類模型，通過訓(xùn)練好的分類模型獲得電網(wǎng)場(chǎng)景圖片預(yù)警分類結(jié)果；訓(xùn)練好的分類模型的獲取步驟包括：通過第一骨干網(wǎng)絡(luò)模型和局部分類器，構(gòu)建局部像素塊分類模型；通過局部像素塊訓(xùn)練集訓(xùn)練局部像素塊分類模型，獲得訓(xùn)練好的局部像素塊分類模型；通過第二骨干網(wǎng)絡(luò)模型、特征集成模塊和全局分類器，構(gòu)建獲得分類模型；第二骨干網(wǎng)絡(luò)模型加載有第一骨干網(wǎng)絡(luò)模型的訓(xùn)練權(quán)重參數(shù)；通過標(biāo)注的電網(wǎng)場(chǎng)景圖片訓(xùn)練集對(duì)分類模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的分類模型。本發(fā)明能夠解決電網(wǎng)場(chǎng)景預(yù)警分類中模型分類精度不能滿足需求的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像分類技術(shù)領(lǐng)域，涉及電網(wǎng)場(chǎng)景預(yù)警分類領(lǐng)域，特別涉及一種從局部到整體感知的電網(wǎng)場(chǎng)景預(yù)警分類方法及系統(tǒng)。

背景技術(shù)

近年來，以人工智能、智能視頻監(jiān)控、物聯(lián)網(wǎng)和邊緣計(jì)算技術(shù)為支撐的智能電網(wǎng)技術(shù)快速發(fā)展；其中，在圖像分類、目標(biāo)檢測(cè)和視頻監(jiān)控領(lǐng)域中基于計(jì)算機(jī)視覺的檢查方法激增，包括電力輸電線的檢查、電網(wǎng)入侵對(duì)象檢測(cè)等等，極大地促進(jìn)了電網(wǎng)的智能化發(fā)展。根據(jù)電網(wǎng)的不同工作環(huán)境，視覺傳感器(包括安裝在電網(wǎng)鐵塔上的攝像機(jī)，攀爬機(jī)器人，無人機(jī)等)被廣泛使用，它們可以提供電網(wǎng)監(jiān)控在不同應(yīng)用場(chǎng)景下的不同視角。盡管視覺傳感器可以極大地促進(jìn)電網(wǎng)設(shè)施的日常維護(hù)，但是由于采集到大量的數(shù)據(jù)，人工檢查異物入侵和惡意破壞的工作量也顯著增加。因此，為實(shí)現(xiàn)電網(wǎng)基礎(chǔ)設(shè)施的實(shí)時(shí)預(yù)警和監(jiān)視，開發(fā)基于視覺的風(fēng)險(xiǎn)級(jí)別分類模型至關(guān)重要。

基于視覺的預(yù)警分類可以表述為圖像級(jí)的分類問題。給定監(jiān)視攝像機(jī)捕獲的輸入圖像，預(yù)警分類模型的任務(wù)是用置信度得分預(yù)測(cè)預(yù)警的級(jí)別。基于CNN的分類模型(包括VGGNet、ResNet等)被用于對(duì)自然場(chǎng)景的圖像進(jìn)行分類，用于訓(xùn)練的輸入圖像的分辨率相對(duì)較低(例如224×224)。大多數(shù)圖像僅包含一個(gè)用于分類的對(duì)象；而且，主要物體通常位于圖像的中間并且占據(jù)較大的面積。

在電網(wǎng)監(jiān)視環(huán)境下，為預(yù)警分類收集的圖像具有以下不同的特點(diǎn)，包括：

(1)高分辨率圖像下的高風(fēng)險(xiǎn)小物體：通常，監(jiān)視攝像機(jī)捕獲的圖像具有相對(duì)較高的分辨率(例如1200×900)。為了覆蓋較大的監(jiān)視區(qū)域，攝像機(jī)位于電網(wǎng)基礎(chǔ)設(shè)施的較高位置。由于攝像機(jī)和物體之間的距離太長(zhǎng)，導(dǎo)致高風(fēng)險(xiǎn)物體以較小的尺寸出現(xiàn)在電網(wǎng)中。為了將圖像直接饋送到CNN模型中進(jìn)行通常的圖像分類，通常會(huì)將輸入圖像的大小調(diào)整為較小的分辨率(例如224×224)。因此，通過直接采用基于CNN的分類模型來感知具有高風(fēng)險(xiǎn)的小物體變得具有挑戰(zhàn)性。

(2)應(yīng)用場(chǎng)景多樣：電網(wǎng)設(shè)施位于各種不同的場(chǎng)景中，包括城市，農(nóng)村，荒野等。此外，由于季節(jié)和天氣變化，一天中的不同拍攝時(shí)間等變化因素，圖像場(chǎng)景的多樣性使得很難將收集到的圖像分類為特定級(jí)別的預(yù)警。此外，輸入圖像的重新縮放操作進(jìn)一步對(duì)預(yù)警等級(jí)分類提出了挑戰(zhàn)。

(3)局部信息的重要性：在預(yù)警級(jí)別的標(biāo)注過程中，專家通常會(huì)更加注意圖像中的高風(fēng)險(xiǎn)對(duì)象或局部區(qū)域。具體而言，局部關(guān)系(例如，高風(fēng)險(xiǎn)對(duì)象與電網(wǎng)設(shè)施之間是否存在接觸)是確定預(yù)警級(jí)別的關(guān)鍵。但是，將輸入圖像從高分辨率縮小到小尺寸會(huì)破壞局部信息。此外，它在訓(xùn)練過程中會(huì)使模型無所適從，因?yàn)槟Ｐ秃茈y識(shí)別“用于預(yù)測(cè)預(yù)警級(jí)別的局部詳細(xì)信息”。

上述圖像數(shù)據(jù)特征使得直接采用在自然場(chǎng)景圖像上訓(xùn)練的分類模型進(jìn)行預(yù)警級(jí)別分類是復(fù)雜且具有挑戰(zhàn)性的，其分類的準(zhǔn)確性、可靠性不能滿足需求。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種從局部到整體感知的電網(wǎng)場(chǎng)景預(yù)警分類方法及系統(tǒng)，以解決上述存在的一個(gè)或多個(gè)技術(shù)問題。本發(fā)明能夠解決電網(wǎng)場(chǎng)景預(yù)警分類中模型分類精度不能滿足需求的技術(shù)問題。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明公開的一種從局部到整體感知的電網(wǎng)場(chǎng)景預(yù)警分類方法，包括以下步驟：