申请/专利权人：西安科技大学

申请日：2022-11-14

公开（公告）日：2024-06-21

公开（公告）号：CN115761537B

主分类号：G06V20/17

分类号：G06V20/17;G06V10/764;G06V10/82;G06N3/0442;G06N3/045;G06N3/049;G06N3/048;G06N3/0475;G06N3/084;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.03.24#实质审查的生效;2023.03.07#公开

摘要：本发明涉及输电线路异物识别技术领域，公开了一种面向动态特征补充机制的输电线路异物入侵识别方法，包括：获取实时输电线路周围的视频图像；采用高斯滤波算法进行预处理；将视频帧序列输入到多层特征融合的图像检测模型中，对异物进行识别和定位；矩阵胶囊网络分类器提取异物类型信息；用生成对抗网络的方法扩充训练数据集；使用预先训练好的面向动态特征补充机制的异物检测模型对异物类型信息进行判断确定异物类型，确定预警等级；输出预警等级后，系统将输电线路上异物对线路的影响进行提示，这种异物入侵识别和预警方法，能够较好的避免遗漏识别的问题，并且也减少了人力成本，提升了异物监测的效率。

主权项：1.一种面向动态特征补充机制的输电线路异物入侵识别方法，其特征在于，包括以下步骤：将无人机采集到的输电线路周围的视频图像通过无线通讯接口传输到供电管理平台，供电管理平台对接收到的视频图像采用高斯滤波算法进行预处理，获得处理后的视频图像；将处理后的视频图像输入到多层特征融合的图像检测模型中，对异物进行识别和定位，获得带异物标记框的视频帧序列；对异物进行识别和定位的具体方法包括：采用基于目标检测与跟踪的特征提取方法，使用图像检测模型对复杂场景下的异物进行行为时序特征提取；使用自建数据集对多层特征融合的图像检测模型进行针对性训练；对提取到的异物行为时序特征进行处理和分析，获得带异物标记框的视频帧序列；所述多层特征融合的图像检测模型是考虑不同层级特征图所包含的信息对于小目标检测任务的贡献不同，通过融合不同层级特征图聚合上下文信息，并根据训练目标样本大小自适应生成各层级特征图输出权重来动态优化特征图的表达能力；多层特征融合的图像检测模型是在现有YOLOv5s算法模型通过增加实时目标跟踪方法模块得到的；多层特征融合的图像检测模型的具体实施流程为：将高斯滤波算法预处理后的视频图像使用自适应的方法对原始图像添加最少的填充，统一缩放到一个标准尺寸，再输入检测网络中，使用YOLOv5s算法来检测和定位视频图像中需要被检测的对象即输电线路周围的异物，定位到异物后，为了把握动态异物连续的行为特征，使用实时目标跟踪方法对动态异物进行目标跟踪，从而获得目标动态异物的运动轨迹，并用于之后的特征提取和异物类型判别；其中，实时目标跟踪方法的主要流程如下：读取当前帧异物检测框的位置以及各检测框图像块的深度特征；根据置信度对异物检测框过滤，对置信度不够高的异物检测框和特征予以删除；对检测框进行非极大抑制，消除一个异物图像多个框；预测：使用卡尔曼滤波预测异物在当前帧的位置；建立输电线路不同异物类型数据集，所述数据集包括训练数据集、测试数据集和验证数据集；矩阵胶囊网络分类器提取异物类型信息；通过矩阵胶囊网络分类器对带异物标记框的视频帧序列进行异物分类，得到分类后的异物图像集合，进行变换处理产生新的异物图像；用生成对抗网络的方法扩充训练数据集，用扩充的训练数据集训练面向动态特征补充机制的异物检测模型；使用预先训练好的面向动态特征补充机制的异物检测模型对所述矩阵胶囊网络分类器提取的异物类型信息进行判断确定异物类型，根据异物类型，进行判断确定预警等级；所述面向动态特征补充机制的异物检测模型为基于注意力机制的双向长短时记忆网络异物检测模型；输出预警等级后，系统将输电线路上异物对线路的影响进行提示，与此同时视频中的异物的状态也将被标注出。

全文数据：

权利要求：

百度查询： 西安科技大学 一种面向动态特征补充机制的输电线路异物入侵识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD