[发明专利]一种输电线防外破的车辆识别与危险行为判别系统与方法

说明书

本发明公开了一种输电线防外破的车辆识别与危险行为判别系统与方法。该系统包括前端输电线路智能防外破预警装置、后端中心管理平台和移动客户端，系统的前端和后端分别装有深度学习模块，前端和后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。前端的深度学习模块的模型和参数由后端训练后在线提供，中心管理平台确定深度学习网络的层数和卷积核大小，并对深度学习网络进行训练。本发明还提供了上述判别系统的判别方法。本发明既避免了前端深度学习网络的训练代价，降低了前端系统的复杂性，又解决了后端智能分析中视频传输费用高和实时性低问题。

技术领域

本发明属于电力供应技术及其智能化领域，具体涉及一种输电线防外破的车辆识别与危险行为判别系统与方法。

背景技术

高压输电线路具有覆盖范围大、分布区域广、传输距离长、自然和地理条件复杂多变、破坏源头多等特点，它们给线路的日常运行、维护和检修带来极大挑战，特别是杆塔或线路附近的泵车、工程车等大型车辆经过、附近吊车施工等潜在的外破行为给输电线路的正常运行造成威胁。

近来年，各种新的技术和装备不断引入用于对电力设施的外破行为进行自动检测和预警，基于机器视觉的模式识别方法是一种重要的方法。

目前，主流的应用于输电线路防外破预警系统的模式识别的方法是SIFT特征提取、SVM分类为主，用于识别大型施工车辆，该方法使用SIFT方法提取前景区域的颜色和角点，再使用预先训练好的SVM分类器进行车型判断。但该方法的缺陷是特征向量的维数过高，容易产生“维数灾难”，另SIFT提取的特征由人工设计，很难描述复杂场景下的车辆特征，适应性差、泛化能力较差、识别精度较低、预警可靠性不足。

发明内容

本发明的目的是提出一种基于联合前后端的深度学习方法，针对输电线环境的大型施工车辆识别与危险行为分析方法，该方法结合前端智能和后端分析，深度学习中后端实现模型训练，前端实现分类判别。本发明既降低了前端训练模型的复杂度，又解决后端智能分析中海量视频数据传输问题、实时性问题、准确率问题，可实时实现各种对线路构成潜在危害的车辆和行为进行预警、阻止作用。

为实现上述目的，本发明采用的技术方案为一种输电线防外破的车辆识别与危险行为判别系统，该系统包括输电线路前端的智能防外破预警装置、后端的中心管理平台和移动客户端，中心管理平台通过3/4G网络与输电线路智能防外破预警装置通信，移动客户端通过3/4G网络与输电线路智能防外破预警装置和中心管理平台通信，前端的智能防外破预警装置和后端的中心管理平台分别装有深度学习模块，该前、后端的深度学习模块协作运行，完成传输线防外破的车辆识别与车辆危险行为预警判别。

进一步，上述前端输电线路智能防外破预警装置由3/4G智能摄像机、太阳能电池板、电源控制器、蓄电池组成。

上述3/4G智能摄像机由视频成像模块、深度学习模块、预警模块、PTZ模块、压缩模块、存储模块及通信模块部件组成，视频成像模块实现图像采集与预处理；预警模块实现预警信息管理与信息上报；PTZ模块实现摄像机上下左右转动和镜头拉近或拉远，调整摄像机视野；压缩模块实现对包含大型施工车辆的原始YUV数据压缩为JPEG图片和H.264/5视频；存储模块实现对压缩后的图片和视频在SD存储介质上进行存储和基于预警事件和时间戳的索引。

进一步，深度学习算法分别部署于系统的前、后端，后端的中心管理平台实现深度学习算法中网络模型的建模、标注、训练，调整后端的深度学习网络网络模型及参数，并定时在线将最新的深度学习网络模型及参数传送到前端；前端收到后端发来的深度学习网络模型及参数后更新前端智能摄像机的深度学习网络及参数；前端的智能摄像机抓拍监测点过往车辆的图像，对采集的图像采用实时更新深度学习网络模型与参数进行分类识别和行为分析，判别出危险情况时，在线预警并将预警事件、图片及发生预警的车辆过往时前后短视频进行时间戳标注、压缩、存储并发往后端中心管理平台。