[发明专利]一种基于深度学习的输电线路防外力破坏预警方法及系统

权利要求书

1.一种基于深度学习的输电线路防外力破坏预警方法，其特征在于：包括以下步骤：

步骤S1：在一架以上的无人机上搭载摄像头与无线通信模块，每架无人机按照预设的路线、高度与拍摄角度对输电线路进行巡查，并将在目标地区拍摄的图像数据传输至对应巡查站的服务器；

步骤S2：巡查站的服务器对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络，对目标进行智能识别，判断存在外力破坏风险的位置坐标，并将其上传至中心控制台；

步骤S3：中心控制台接收各个巡查站发出的预警坐标位置，用以警示工作人员；

其中，步骤S2中，所述深度神经网络采用Mask R-CNN神经网络搭建，通过Mask R-CNN神经网络得到输电线路和危险目标的边缘像素点，适当选取输电线路与危险目标的个别边缘像素点，用以算出危险目标与输电线路的距离，当这些距离的最小值小于设定的阈值时，说明存在外力破坏危险，此时通过服务器向中心控制台发送警报；

其中，所述步骤S2具体包括以下步骤：

步骤S11：不断地采集无人机拍摄的图片作为训练样本集；

步骤S12：构建Mask R-CNN神经网络模型；

步骤S13：将训练样本集转换数据格式后输入步骤S12的神经网络模型中进行训练，且每隔一定训练周期，保存训练模型，利用测试集数据测试当前模型性能，计算平均准确率、漏检率、误报率；当模型各项参数达到期望值且趋于平稳时，保存模型然后固化，只保留包括前向传播的神经元权重与偏置在内的常量；

步骤S14：将无人机实时传回的图像数据输入训练好的Mask R-CNN神经网络模型中，得到输电线路和危险目标的边缘像素点，适当选取输电线路与危险目标的个别边缘像素点；

步骤S15：由于此时是像素坐标系，即以图像左上角为原点建立以像素为单位的直接坐标系u-v，像素的横坐标u与纵坐标v分别是在其图像数组中所在的列数与所在行数；因此当无人机实在输电线路右侧进行巡查时，危险目标像素点只需选取u最小和v最小的两点坐标(u1,v1)和(u2，v2)，而输电线路的像素点选取最靠近危险目标的点；

步骤S16：将像素坐标转换为能够表示该像素点实际三维坐标的世界坐标；

步骤S17：根据世界坐标以及空间距离公式，求得输电导线与危险目标的实际空间距离；

步骤S18：将步骤S17求得的实际空间距离与预先设定好的阈值进行比较，当小于设定阈值时，证明危险目标进入输电线路的安全保护区域，存在对其造成破坏的危险，服务器向中心控制台发送警报。

2.根据权利要求1所述的一种基于深度学习的输电线路防外力破坏预警方法，其特征在于：步骤S16中，所述世界坐标与像素坐标之间的转换采用下式：

式中，u、v分别是像素的横、纵坐标，等号右边的第一、第二个矩阵为相机的内参、外参，X_w、Y_w、Z_w是该点的世界坐标，Z_c是摄像机坐标；

经过逆运算，求得像素坐标对应的世界坐标。

3.一种基于权利要求1-2任一条所述的基于深度学习的输电线路防外力破坏预警方法的系统，其特征在于：包括中心控制台、一个以上的巡查站，一架以上的无人机；一个巡查站根据具体对应一定数目的无人机；

所述无人机上搭载有高清摄像头以及无线传输模块，用以采集输电线路图像，并将其传输至对应的巡查站；

所述巡查站内设置有服务器，所述服务器用以对无人机实时传输回来的图像数据采用深度学习的方法搭建深度神经网络，对目标进行智能识别，判断存在外力破坏风险的位置坐标，并将其上传至中心控制台；

所述中心控制台能够接收各个巡查站发出的警报，并获取此时警报处的位置坐标。

4.根据权利要求3所述的一种基于深度学习的输电线路防外力破坏预警系统，其特征在于：所述中心控制台能实时查询各个巡查站的巡查进度以及存储在巡查站服务器上的图像数据。