[發(fā)明專利]一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法

在審

• 申請?zhí)枺?/td>: 202210973131.2
• 申請日: 2022-08-15
• 公開（公告）號: CN115311584A
• 公開（公告）日: 2022-11-08
• 發(fā)明（設(shè)計(jì)）人: 龍玉江;衛(wèi)薇;李洵;方曦;鐘掖;盧仁猛;王卓月;龍娜;甘潤東
• 申請（專利權(quán)）人: 貴州電網(wǎng)有限責(zé)任公司
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V20/40;G06V10/82;G06V10/764;G06N3/08;G06N3/04
• 代理公司: 貴陽中新專利商標(biāo)事務(wù)所 52100
• 代理人: 商小川

1.一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：所述方法包括：

S1、構(gòu)建高壓電網(wǎng)飄掛物標(biāo)簽圖像數(shù)據(jù)集并進(jìn)行標(biāo)注；

S2、構(gòu)建電網(wǎng)飄掛物視頻中關(guān)鍵幀提取模型，針對關(guān)鍵幀進(jìn)行特征提取檢測飄掛物；

S3、基于高壓電網(wǎng)飄掛物圖像數(shù)據(jù)集以及巡檢視頻中與飄掛物無關(guān)的圖像數(shù)據(jù)進(jìn)行訓(xùn)練；

S4、將待識別的電網(wǎng)飄掛物視頻數(shù)據(jù)送入高壓電網(wǎng)飄掛物關(guān)鍵幀提取模型并將獲取到的關(guān)鍵幀圖像輸入目標(biāo)檢測模型進(jìn)行檢測，獲取檢測框目標(biāo)檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：關(guān)鍵幀提取模型使用殘差網(wǎng)絡(luò)模型，根據(jù)標(biāo)注的數(shù)據(jù)集進(jìn)行訓(xùn)練，該模型的作用是提取圖像中的特征，然后使用softmax函數(shù)進(jìn)行分類。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：殘差網(wǎng)絡(luò)包括依次連接的5x5的卷積層和池化層，連接3x3的卷積層和1x1的卷積層，以及3x3的卷積層和池化層外加上一級的殘差數(shù)據(jù)構(gòu)成的殘差塊組成ResNet50模型，在模型的輸出層使用標(biāo)準(zhǔn)化編碼后使用softmax分類輸出類別并進(jìn)行打分。

4.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：關(guān)鍵幀提取模型將視頻中提取到的每一幀圖像進(jìn)行序列化計(jì)算并提取特征后的向量，softmax分類模型的打分算法采用向量矢量計(jì)算方法，使用包括飄掛物的視頻圖像數(shù)據(jù)訓(xùn)練Resnet50與softmax分類模型后將訓(xùn)練數(shù)據(jù)喂入模型后輸出的向量組成矩陣，對該矩陣的列與實(shí)際檢測時(shí)輸出的向量計(jì)算L2距離，最后打分是L2距離的均值。

5.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：關(guān)鍵幀提取模型采用分段檢測的優(yōu)化算法，在每一秒鐘的所有幀按照模型打分進(jìn)行閾值判斷，分值大于80％則進(jìn)行飄掛物檢測識別，同時(shí)也根據(jù)實(shí)際檢測效率和檢測效果動態(tài)調(diào)整檢測范圍；然后對該幀后面連續(xù)30幀進(jìn)行飄掛物檢測；流程完畢后重新執(zhí)行關(guān)鍵幀檢測并重復(fù)上述流程。

6.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：基于高壓電網(wǎng)飄掛物圖像數(shù)據(jù)集以及巡檢視頻中與飄掛物無關(guān)的圖像數(shù)據(jù)進(jìn)行訓(xùn)練的方法為：在設(shè)置好Resnet50與分類模型結(jié)構(gòu)并將訓(xùn)練集完成后，使用COCO2017分類數(shù)據(jù)集對模型進(jìn)行預(yù)訓(xùn)練，將模型在多次迭代中學(xué)習(xí)網(wǎng)絡(luò)參數(shù)；然后使用預(yù)訓(xùn)練學(xué)習(xí)好的模型進(jìn)行遷移學(xué)習(xí)訓(xùn)練高壓電網(wǎng)飄掛物圖像數(shù)據(jù)集。

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：在訓(xùn)練中，首先將圖像分批輸入模型中，使用小批量梯度下降法迭代2000次，動量設(shè)置為0.9，學(xué)習(xí)率大小設(shè)置為0.001，權(quán)重衰減率0.0001，每個(gè)批次BatchSize為24。

8.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的無人機(jī)高壓電網(wǎng)視頻巡檢飄掛物方法，其特征在于：經(jīng)過預(yù)訓(xùn)練后，使用高壓電網(wǎng)飄掛物標(biāo)簽文本數(shù)據(jù)集訓(xùn)練目標(biāo)檢測模型，小批量梯度下降法迭代3000次，動量設(shè)置為0.9，學(xué)習(xí)率大小設(shè)置為0.001，權(quán)重衰減率0.0001，每個(gè)批次為24；最終模型輸出飄掛物的分類和特征向量。