[發明專利]一種輸電線路涉鳥故障相關鳥種圖像識別方法

有效

• 申請號: 202110405605.9
• 申請日: 2021-04-15
• 公開（公告）號: CN113255661B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 邱志斌;石大寨;廖才波;朱軒
• 申請（專利權）人: 南昌大學
• 主分類號: G06V10/22
• 分類號: G06V10/22;G06V10/774;G06K9/62;G06N3/04;G06T7/11;G06T7/194
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 袁紅梅

本發明公開了一種輸電線路涉鳥故障相關鳥種圖像識別方法，首先通過收集輸電線路周圍的鳥種信息，建立涉鳥故障相關鳥種圖像數據庫，基于類別激活圖的方法對鳥種圖像進行去背景預處理；然后，利用四種深度卷積神經網絡建立學習模型，并通過ImageNet數據集對其進行預訓練，對預訓練后的模型網絡結構進行微調，利用預處理后的鳥種圖像訓練集對微調后的模型進行重新訓練，并對測試集進行分類識別；最后，根據四種網絡模型的分類準確率，采用線性加權法建立一種融合多卷積網絡的涉鳥故障相關鳥種圖像識別模型，對鳥種圖像進行分類識別。本發明能夠為輸電線路運維人員提供正確識鳥的方法手段，有助于實現渉鳥故障的差異化防治，降低渉鳥故障跳閘率。

技術領域

本發明涉及輸電線路領域，具體涉及一種輸電線路涉鳥故障相關鳥種圖像識別方法。

背景技術

隨著電網的大規模建設與生態環境的改善，鳥類活動與輸電線路的矛盾日益突出，渉鳥故障已成為線路跳閘的重要原因。由于渉鳥故障具有突發性，發生故障后往往無法判斷是何種鳥類引起，難以針對性地加裝防鳥措施。盡管電網運行單位已經統計出輸電線路渉鳥故障相關鳥種名錄及其可能引發的故障類型，但由于運維人員缺乏鳥類學知識，因此在巡線過程中雖然可以拍攝到活動在線路周圍的鳥種，但是難以判斷其是否會引起涉鳥故障及故障類型，從而無法開展差異化的防治工作。為解決此類問題，亟需一種輸電線路涉鳥故障相關鳥種圖像識別方法。

目前針對輸電線路相關鳥種圖像識別研究主要局限于鳥類檢測這種粗粒度的二分類問題，具體針對輸電線路渉鳥故障危害鳥種的多分類識別研究較少，其原因在于巡線過程中采集到的鳥類圖像數量有限，將其用于訓練一個全新的網絡容易出現泛化能力不足的問題，而采用特定鳥種圖像數據集訓練得到的網絡又難以匹配涉鳥故障相關鳥種圖像識別的任務。

發明內容

針對現有技術存在的問題，本發明的目的在于提供一種輸電線路涉鳥故障相關鳥種圖像識別方法，能夠對渉鳥故障相關鳥種圖像進行準確識別，為電網運維人員開展差異化防鳥提供參考依據。

為實現上述目的，本發明提供如下技術方案：一種輸電線路涉鳥故障相關鳥種圖像識別方法，包括如下步驟：

S1：收集輸電線路渉鳥故障相關鳥種圖像，建立包含N種鳥類的圖像數據集，將鳥種圖像分為訓練集和測試集；

S2：構建VGG16卷積神經網絡模型，采用ImageNet數據庫對其進行預訓練，然后移去卷積層“conv5-3”后面的所有層，用一個“卷積+全局平均池化+全連接+輸出”的結構替代原有的“pool5”—“prob”層，采用公開鳥種圖像數據集對修改后的卷積模型進行訓練，通過訓練好的模型提取涉鳥故障相關鳥種圖像的CAM類別激活圖，利用類別激活圖對鳥種圖像進行去背景預處理，得到包含少量背景的鳥種圖像；

S3：采用AlexNet、VGG16、ResNet50和InceptionV3四種深度卷積神經網絡建立學習模型，利用ImageNet數據集對網絡模型進行預訓練；

S4：對預訓練模型進行微調，通過模型遷移使其匹配涉鳥故障相關鳥種的圖像識別任務，對于AlexNet和VGG16，將最后一個全連接層“fc8”的維數由原來的1×1000調整為1×N；對于ResNet50和InceptionV3，刪除原網絡中的最后3層“fc1000”、“fc1000_softmax”和“ClassificationLayer_fc1000”，以一個包含1×N的全連接層、1×N的softmax層以及N分類輸出層的結構代替；

S5：采用輸電線路渉鳥故障相關鳥種圖像訓練集對微調后的四種深度卷積神經網絡模型進行重新訓練，利用訓練好的網絡模型對鳥種圖像測試集進行分類識別，得到四種模型的分類準確率ai(i＝1,2,3,4)，根據計算四種網絡結構對應的權重系數q_i(i＝1,2,3,4)；