[發明專利]一種基于機器視覺的變電站危害鳥種目標檢測和識別方法

有效

• 申請號: 202310168827.2
• 申請日: 2023-02-27
• 公開（公告）號: CN115862073B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 饒斌斌;李帆;邱志斌;況燕軍;周龍武;胡睿哲;王曉冬;周志彪
• 申請（專利權）人: 國網江西省電力有限公司電力科學研究院;國家電網有限公司;南昌大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/0475;G06N3/084
• 代理公司: 南昌豐擇知識產權代理事務所(普通合伙) 36137
• 代理人: 吳稱生

1.一種基于機器視覺的變電站危害鳥種目標檢測和識別方法，其特征是，包括如下步驟：

S1、搭建變電站危害鳥種圖像樣本庫；

S2、建立改進YOLOv7鳥種目標檢測模型，包括特征提取網絡、特征融合網絡和頭部預測網絡3個部分；

所述特征提取網絡依次由5個部分組成：第1個部分由3個CBS模塊堆疊組成；第2個部分由CBS模塊和MCB模塊堆疊組成；第3~5個部分均由TB模塊和MCB模塊堆疊組成，且每個MCB模塊后添加ECANet注意力機制模塊；選取特征提取網絡第3個部分、第4個部分、第5個部分的輸出作為特征融合網絡的輸入，三個輸入特征分別命名為Feat1、Feat2、Feat3；

所述特征融合網絡使淺層特征和深層特征充分融合加強特征提取：輸入特征Feat1經過CBS模塊獲得提取特征P1，輸入特征Feat2經過CBS模塊獲得提取特征P2，輸入特征Feat3經過SPPCSPC模塊和CBS模塊獲得提取特征P3；提取特征P3經過CBAM注意力機制模塊和上采樣模塊后與提取特征P2進行堆疊融合，再經過MCB模塊獲得提取特征P4；提取特征P4經過卷積層、上采樣模塊和CBAM注意力機制模塊后與提取特征P1進行堆疊融合，再經過MCB模塊獲得提取特征P5；提取特征P5經過TB模塊和CBAM注意力機制模塊后與提取特征P4進行堆疊融合，再經過MCB模塊獲得提取特征P6；提取特征P6經過TB模塊和CBAM注意力機制模塊后與提取特征P3進行堆疊融合，再經過MCB模塊獲得提取特征P7；所述TB模塊由2個分支組成，1個分支由最大池化層和CBS模塊構成，另1個分支由兩個CBS模塊構成，2個分支的輸出結果進行堆疊；MCB模塊分為4個分支，第1個分支由CBS₁模塊組成，第2個分支由CBS₂模塊組成，第3個分支由CBS₂、CBS₃、CBS₄模塊堆疊組成，第4個分支由CBS₂、CBS₃、CBS₄、CBS₅、CBS₆模塊堆疊組成，4個分支進行堆疊輸出，并由CBS₇模塊進行特征整合，CBS模塊由卷積層、批歸一化層和SiLU激活函數組成；

S3、設置改進YOLOv7鳥種目標檢測模型參數并進行訓練；

S4、將待檢測鳥種圖像輸入至訓練后的改進YOLOv7鳥種目標檢測模型中進行檢測。

2.根據權利要求1所述的基于機器視覺的變電站危害鳥種目標檢測和識別方法，其特征是，步驟S1中，針對變電站附近拍攝的鳥種圖像和視頻，利用視頻圖像轉換技術提取視頻內的圖像，并采用改進的SRGAN算法對鳥種圖像進行超分辨率重建，構建包含N種鳥類的變電站危害鳥種圖像樣本庫，再利用標簽制作工具MRLabeler將鳥種圖像樣本庫標注為Pascal?VOC數據集格式，最后將標注后的圖像樣本庫劃分為訓練驗證集和測試集，訓練驗證集再劃分為訓練集和驗證集；

改進的SRGAN算法由生成網絡和判別網絡兩部分組成，生成網絡共有20層，第1層由卷積核大小為9×9的卷積層和PReLU激活函數組成，第2~17層為疊加的八個殘差塊，并在每一個殘差塊后添加SENet注意力機制，第18~19層均由卷積核大小為3×3卷積層、PReLU激活函數和像素重組層組成，第20層由一個卷積核大小為9×9的卷積層構成；判別網絡共有11層，第1層由3×3的卷積層和Leaky_ReLU激活函數組成，第2~8層均為CBL模塊，并在每一個CBL模塊后添加SENet注意力機制，第9層由全局平均池化層構成，第10層由Leaky_ReLU激活函數和1×1的卷積層組成，第11層由1×1的卷積層和Sigmoid函數構成。

3.根據權利要求1所述的基于機器視覺的變電站危害鳥種目標檢測和識別方法，其特征是，步驟S1中，通過視頻圖像轉換技術提取視頻內的圖像：利用OpenCV對鳥種圖像視頻進行處理，提取出的鳥種圖像基于去噪卷積神經網絡進行去噪，獲得去噪后的鳥種圖像。