[發(fā)明專利]融合殘差和多尺度網(wǎng)絡的電力線路危險源檢測系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 202210128670.6
• 申請日: 2022-02-11
• 公開（公告）號: CN114612855A
• 公開（公告）日: 2022-06-10
• 發(fā)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(chǎn)權代理事務所(普通合伙) 44867
• 代理人: 鄧愛軍

本發(fā)明提供了融合殘差和多尺度網(wǎng)絡的電力線路危險源檢測系統(tǒng)及方法，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(nèi)的視頻圖像，并輸出至所述控制模塊；所述塔吊識別模型，經(jīng)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(nèi)是否有塔吊進入；其中，使用危險源范圍內(nèi)若干個預先收集的含有塔吊的圖片訓練卷積神經(jīng)網(wǎng)絡獲得所述塔吊識別模型。本發(fā)明的用戶使用卷積神經(jīng)網(wǎng)絡可以快速的識別危險源范圍內(nèi)的塔吊，避免安全事故的產(chǎn)生，防止非預期的停電對企業(yè)和老百姓的正常生產(chǎn)和生活秩序的影響。

技術領域

本發(fā)明涉及計算機視覺技術領域，具體涉及融合殘差和多尺度網(wǎng)絡的電力線路危險源檢測系統(tǒng)及方法。

背景技術

輸電線路長期暴露在戶外環(huán)境中，不僅承受正常的機械荷載和電流沖擊，而且還不可避免的遭受外界各種侵害，如在環(huán)境惡劣、人跡罕至處，則易受到自然環(huán)境中強風、冰凍、雷擊、沙土、洪水、暴曬、鳥獸等各種侵害；在人口聚居地，除受自然侵害外，又易受到人為的破壞。

輸電通道的安全運行是保證輸電線路安全穩(wěn)定運行的基礎，近年來輸電線路通道內(nèi)因機械施工等外部因素引起的輸電線路跳閘率占各類跳閘的首位。此外，隨著經(jīng)濟發(fā)展，線路通道內(nèi)高速鐵路、高速公路、高電壓等級線路越來越多，由于線路運維不到位，造成的重大社會影響的事故越來越多，傳統(tǒng)運維方式難以有效管控。

目前輸電通道巡檢的技術手段主要有直升機巡檢技術、無人機巡檢技術、激光掃描技術和在線監(jiān)測技術，在輸電線路運維方面得到了一定的應用，但單一的技術手段很難實現(xiàn)危險源的及時辨識和持續(xù)跟蹤，存在以下問題。

一、直升機巡檢技術、無人機巡檢技術、激光掃描技術能夠有效發(fā)現(xiàn)線路本體缺陷和通道缺陷，受巡視頻次限制，不能保證發(fā)現(xiàn)缺陷的及時性，并且監(jiān)測周期長、投資成本高。

二、在線監(jiān)測技術通過傳感器對線路進行動態(tài)監(jiān)測和診斷，具有一定的預知設備故障的能力，但在線監(jiān)測技術無法獲取通道內(nèi)靜態(tài)和動態(tài)目標距離的量測，無法對危險源進行準確識別和動態(tài)跟蹤。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提供融合殘差和多尺度網(wǎng)絡的電力線路危險源檢測系統(tǒng)及方法，用戶使用卷積神經(jīng)網(wǎng)絡可以快速的識別危險源范圍內(nèi)的塔吊，避免安全事故的產(chǎn)生，防止非預期的停電對企業(yè)和老百姓的正常生產(chǎn)和生活秩序的影響。

為了實現(xiàn)以上目的，本發(fā)明采取的一種技術方案是：

融合殘差和多尺度網(wǎng)絡的電力線路危險源檢測系統(tǒng)，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(nèi)的視頻圖像，并輸出至所述控制模塊；所述塔吊識別模型，經(jīng)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(nèi)是否有塔吊進入；其中，使用危險源范圍內(nèi)若干個預先收集的含有塔吊的圖片訓練卷積神經(jīng)網(wǎng)絡獲得所述塔吊識別模型。

進一步地，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(qū)。

進一步地，所述卷積神經(jīng)網(wǎng)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(wǎng)絡，所述RPN模塊為區(qū)域生成網(wǎng)絡，所述RPN模塊用于區(qū)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(shù)，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(shù)。

進一步地，所述Module1模塊中的損失函數(shù)定義如下：