申请/专利权人：国网江西省电力有限公司电力科学研究院;国家电网有限公司;南昌大学

申请日：2024-03-22

公开（公告）日：2024-06-25

公开（公告）号：CN118247554A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06V10/80;G06V10/82;G06N3/0464;G06N3/045

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了一种基于深度学习的误撞输电线路鸟种检测方法及系统，具体包括以下步骤：使用加雾加噪对提取的珍稀鸟种图像进行预处理，构建误撞输电线路珍稀鸟种图像数据集；构建包括主干特征提取网络，特征融合网络以及检测网络的鸟种目标检测模型，通过引进SBS模块来加强特征提取，引进DR1模块和DR2模块来加强特征融合，并添加辅助检测头、注意力机制来增强检测网络的检测能力；对鸟种目标检测模型进行训练获得最优训练权重来对珍稀鸟种进行检测。本发明通过加强多尺度特征融合和添加浅层辅助头加强关键信息获取能力，从而增强模型的鲁棒性与泛化性。

主权项：1.一种基于深度学习的误撞输电线路鸟种检测方法，其特征是，包括如下步骤：针对获取实时拍摄的珍稀鸟种图像进行预处理后，构建误撞输电线路珍稀鸟种图像数据集；所述误撞输电线路珍稀鸟种图像数据集由鸟种训练图像数据和鸟种检测图像数据构成；构建包括主干特征提取网络，特征融合网络以及检测网络三个部分的鸟种目标检测模型；所述特征融合网络内设有CD1模块，CD2模块，CD3模块和CD4模块；所述CD1模块内设有DR1模块和DR2模块；所述CD1模块，CD2模块，CD3模块，CD4模块结构一致，其运作方式为：输入特征到CBS1模块进行提取后，依次经过分离模块，DR1模块，DR2模块获得输出特征后，再与分离模块，DR1模块，DR2模块单独的输出特征进行融合，获得融合特征再输入到CBS2模块；所述DR1模块和DR2模块处理方式为：将输入特征输入到一个3×3的普通卷积后，分为三部分，三部分依次经过归一化层及ReLU激活函数后，第一部分经过一个空洞率为1的3×3空洞卷积，第二部分经过一个空洞率为3的3×3空洞卷积，第三部分经过一个空洞率为5的3×3空洞卷积，将三部分的输出特征再输入到一个1×1的普通卷积后获得输出特征；所述主干特征提取网络依次由十个部分组成：第一部分、第二部分、第四部分、第六部分和第八部分设为DBS模块，第三部分、第五部分、第七部分和第九部分设为CSC模块，第十部分设为SPPF_LSKA模块；所述CSC模块运作方式为：输入特征到CBS1进行特征提取后，依次经过分离模块和两个SC模块得输出特征后，再与CBS1模块，分离模块，两个SC模块单独的输出特征进行融合，获得融合特征再输入到CBS2模块；所述SC模块由CBS模块和SBS模块组成，特征输入与输出之间添加了残差连接；所述SC模块处理方式为：输入特征分为两部分，一部分分别输入到平均池化层和普通卷积中，其中最大池化层再经过上采样将特征输入到sigmoid激活函数中，再与普通卷积特征相加；另一部分直接输入到普通卷积中，最后通过归一化层及SiLU激活函数；所述SPPF_LSKA模块共分为四层，第一层输入特征先经过CBS1模块获得输出特征F1，第二层将F1作为输入特征经过一个最大池化层获得输出特征F2，第三层在第二层的基础上再添加一个最大池化层获得输出特征F3，第四层同样添加一个最大池化层获得输出特征F4，将四层的输出特征F1，F2，F3，F4进行融合后再经过一个LSKAttention模块后将特征输入给CBS2模块；所述检测网络由目标检测头和辅助检测头构成；所述目标检测头由第一目标检测头、第二目标检测头和第三目标检测头构成；所述辅助检测头由第一辅助检测头、第二辅助检测头，第三辅助检测头构成；所述第一目标检测头、第二目标检测头、第三目标检测头、第一辅助检测头、第二辅助检测头和第三辅助检测头结构一致，其结构分为两个分支，第一个分支经过CBS1模块和CBS2模块及一个普通卷积模块，用于进行预测框的预测，第二个分支经过CBS3模块和CBS4模块及一个普通卷积模块，用于进行种类预测，针对回归分支使用了分布式焦点损失策略；针对两种不同的检测头，设定如下，将目标检测头作为主检测头，将第一辅助检测头、第二辅助检测头和第三辅助检测头作为辅助检测头，进行图像标注获得标注框后，执行标签分配方法，具体为以目标检测头预测作为指导，生成由粗到精的层次标签，分别用于辅助检测头和目标检测头学习和计算损失，目标检测头和辅助检测头的损失函数权重设置为4:1，最后将二者相加；采用鸟种训练图像数据对鸟种目标检测模型进行训练，获得最优权重载入鸟种目标检测模型；将获得的最优权重载入鸟种目标检测模型对鸟种检测图像数据进行目标检测。

全文数据：

权利要求：

百度查询： 国网江西省电力有限公司电力科学研究院;国家电网有限公司;南昌大学 一种基于深度学习的误撞输电线路鸟种检测方法及系统

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