[發明專利]融合殘差和多尺度網絡的電力線路危險源檢測系統及方法

在審

• 申請號: 202210128670.6
• 申請日: 2022-02-11
• 公開（公告）號: CN114612855A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 蔣勇;戴相龍;何成虎;王曉鵬
• 申請（專利權）人: 江蘇濠漢信息技術有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06K9/62;G06V10/774;G06V10/764;G06V10/25;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳泛航知識產權代理事務所(普通合伙) 44867
• 代理人: 鄧愛軍

1.融合殘差和多尺度網絡的電力線路危險源檢測系統，其特征在于，包括與控制模塊相連的圖像采集模塊以及塔吊識別模型，

所述圖像采集模塊，用于采集輸電線路危險源范圍內的視頻圖像，并輸出至所述控制模塊；

所述塔吊識別模型，經所述控制模塊處理的所述視頻圖像輸出至所述塔吊識別模型，所述塔吊識別模型用于識別所述輸電線路危險源范圍內是否有塔吊進入；

其中，使用危險源范圍內若干個預先收集的含有塔吊的圖片訓練卷積神經網絡獲得所述塔吊識別模型。

2.根據權利要求1所述的融合殘差和多尺度網絡的電力線路危險源檢測系統，其特征在于，所述圖像采集模塊為單目攝像頭，所述單目攝像頭設置在所述危險源范圍區。

3.根據權利要求1所述的融合殘差和多尺度網絡的電力線路危險源檢測系統，其特征在于，所述卷積神經網絡包括Backbone模塊、RPN模塊、Module1模塊以及Module2模塊，含有塔吊的圖片輸出至所述Backbone模塊與所述RPN模塊，所述Backbone模塊為共享的特征提取卷積網絡，所述RPN模塊為區域生成網絡，所述RPN模塊用于區分前景目標和背景目標，所述Backbone模塊與所述RPN模塊相連，所述Backbone模塊輸出至所述Module1模塊，所述RPN模塊輸出至所述Module2模塊，所述Module1模塊為基于相同的RPN生成的預測框的目標定位和分類的損失函數，所述Module2模塊為基于RPN的預測框分別生成不同的定位和分類損失函數。

4.根據權利要求3所述的融合殘差和多尺度網絡的電力線路危險源檢測系統，其特征在于，所述Module1模塊中的損失函數定義如下：

其中H₁(·)＝{f(·),C(·)},H_z(·)＝(f(·),R(·)},f(·)為所述Backbone模塊提取的共同特征，C(·)和R(·)分別為對特征進行分類和定位的函數，P表示從所述Backbone模塊和所述RPN模塊中共同輸出的預測框，y和分別表示目標真實的類別和位置坐標。

5.根據權利要求3所述的融合殘差和多尺度網絡的電力線路危險源檢測系統，其特征在于，所述Module2模塊中的損失函數定義如下：

其中P_c和P_r分別為通過所述Module2模塊中的P經過不同的5層全連接得到的預測框，分別用于分類和定位。

6.一種基于權利要求1～5中任意一項權利要求所述的融合殘差和多尺度網絡的電力線路危險源檢測系統的檢測方法，其特征在于，包括如下步驟：

S10圖片采集，通過單目攝像頭采集輸電線路危險源范圍內的實時視頻數據；

S20塔吊識別模型訓練，人工收集若干個危險源范圍內含有塔吊的圖片作為訓練圖片，采用訓練圖片訓練神經網絡模型獲得塔吊識別模型；

S30將所述實時視頻數據經控制模塊處理后輸出至所述塔吊識別模型，使用所述塔吊識別模型識別所述實時視頻數據是否含有危險源塔吊，并將識別結果輸出至控制模塊。

7.根據權利要求6所述的融合殘差和多尺度網絡的電力線路危險源檢測方法，其特征在于，所述S20步驟包括：

S21人工收集若干個危險源范圍內含有塔吊的圖片作為訓練圖片；

S22構建卷積申請網絡；

S23構建WBlock模塊；

S24構建殘差網絡模塊Rblock，當所述殘差網絡模塊Rblock輸入為x，則輸出為F(F(x))+x，其中weight layer為所述WBlock模塊；

S25構建Backbone特征提取模型；

S26采用梯度下降算法進行模型訓練，得到塔吊識別模型，并部署到后端服務器，部署時，檢測網絡拿掉module1。