[發明專利]一種基于YOLO的電網作業現場違章識別方法及終端

在審

• 申請號: 202210830306.4
• 申請日: 2022-07-15
• 公開（公告）號: CN115171045A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 張恒;杜森;許棟棟;高建;盛婷婷;江翔;戴華冠;孔陳祥
• 申請（專利權）人: 國網江蘇省電力有限公司;江蘇電力信息技術有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/50;G06V10/54;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 陳揚

1.一種基于YOLO的電網作業現場違章識別方法，其特征在于，包括以下步驟：

S1、獲取作業現場源圖像，將所述源圖像分為訓練集和測試集；

S2、在Darknet-53目標識別模型的第一卷積層之前提取所述訓練集源圖像的方向梯度直方圖和圖像紋理特征，融合所述方向梯度直方圖和圖像紋理特征得到特征圖；

S3、將所述特征圖與所述Darknet-53目標識別模型中對應的卷積層進行融合得到目標特征圖像，將所述目標特征圖像輸入YOLO神經網絡訓練得到基于YOLO神經網絡的檢測模型；

S4、將所述測試集輸入所述Darknet-53目標識別模型和所述基于YOLO神經網絡的檢測模型，得到測試結果，根據所述測試結果確定基于YOLO神經網絡的最優檢測模型，對電網作業現場進行違章識別。

2.根據權利要求1所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，所述S2具體為：

S21、在Darknet-5目標識別模型的第一卷積層之前，將所述訓練集源圖像進行亮度增強；

S22、對亮度增強后的源圖像進行灰度歸一化處理得到歸一化灰度圖像；

S23、計算所述歸一化灰度圖像的方向梯度直方圖和圖像紋理特征后，組合所述方向梯度直方圖和所述圖像紋理特征權重值，獲取最優權重值，根據所述最優權重值得到特征矩陣；

S24、使用對應的步長和尺度的卷積核對所述特征矩陣進行卷積得到不同尺度特征圖。

3.根據權利要求1所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，所述S3具體為：

S31、將所述不同尺度特征圖分別與所述Darknet-53目標識別模型中對應尺度的卷積層進行融合得到不同尺度的目標特征圖像；

S32、將所述不同尺度的目標特征圖像通過維度聚類算法，得到多個聚類結果K值；

S33、采用GIOU損失函數確定最優K值，得到所述檢測模型。

4.根據權利要求1所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，所述S1具體為：

從源地址中獲取所述作業現場源圖像，所述源圖像包括第一源圖像和第二源圖像；所述第一源圖像和所述第二源圖像的數據源不同。

5.根據權利要求1所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，在所述S4之后還包括：

S5、采集作業現場的所述第一源圖像，將所述第一源圖像輸入所述最優檢測模型，得到第一監測結果，根據所述第一監測結果判斷所述第一源圖像是否存在違章行為，若是，則標記所述第一源圖像的作業現場為目標區域，并執行S6；

S6、采集所述目標區域的所述第二源圖像，將所述第二源圖像輸入所述最優檢測模型，得到第二監測結果，根據所述第二監測結果判斷所述第二源圖像是否存在違章行為，若是，則上傳所述第二源圖像至云系統，并發送警告信息。

6.根據權利要求5所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，所述S5還包括：

若所述第一源圖像不存在違章行為，則將所述第一源圖像存入預設地址。

7.根據權利要求5所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，所述S6還包括：

若所述第二源圖像不存在違章行為，則將所述第二源圖像存入所述預設地址。

8.根據權利要求5所述的一種基于YOLO的電網作業現場違章識別方法，其特征在于，在所述S6之后還包括：

S7、所述預設地址的存儲空間達到預設閾值后，將所述預設地址標記為源地址，返回執行S1。

9.一種基于YOLO的電網作業現場違章識別終端，包括存儲器、處理器，其特征在于：所述處理器根據基于YOLO的電網作業現場違章識別方法，通過基于YOLO神經網絡的最優檢測模型，對電網作業現場進行違章識別。