[发明专利]一种基于语义分割的风飘异物识别方法和装置

说明书

本发明公开了一种基于语义分割的风飘异物识别方法和装置，通过对收集到的风飘异物图片数据集进行语义分割像素标注，得到标签图片；搭建针对风飘异物的语义分割神经网络，并将风飘异物图片数据集中的图片输入语义分割神经网络，结合标签图片对语义分割神经网络进行训练，语义分割神经网络基于deeplabv3+网络，包括含有空洞卷积的深度卷积网络和空洞金字塔池化；将采集到的图片输入训练好的语义分割神经网络，得到输出结果；以及通过Opencv对输出结果进行轮廓提取，根据提取出的轮廓的个数判断图片中是否存在风飘异物。因此可以准确地识别出某些特定物体上是否存在风飘异物，识别的准确率高，效果好。

技术领域

本发明涉及异物识别领域，具体涉及一种基于语义分割的风飘异物识别方法和装置。

背景技术

变电站是电力系统中重要的一部分，主要负责将电压由高变低或由低变高。考虑到变压器等设备的通风、散热和安全问题，大多数变电站都建在四周空旷的室外，因此常常受到风飘异物(如塑料袋、气球、风筝等)的入侵。这些异物在高温高压的环境下对变电站设备造成了很大的安全运行隐患，容易引发停电事故或火灾。

目前我国室外变电站的异物排查工作，大多仍通过人工定期巡检建档来完成，即变电站工作人员进入设备区，进行设备巡视。这种巡检方式易受作业人员的主观影响，需要工作人员有丰富的工作经验和较高的业务水平，也很难做到数据的实时输入管理信息系统。同时，变电站是个高危场所，在恶劣天气下，设备的巡检对工作人员来说存在较大的安全隐患。

现有技术的分析：

(1)在变电站放置固定摄像头对连续的输入帧进行高斯背景建模，即将固定场景设置为背景图像模型，通过提取前景移动物体来检测异物进入的情况。由于智能巡检机器人大多是移动式，若采用和对每个设备的周边环境进行背景建模的方案，建模难度大、效率较低且容易受光照因素等影响。帧间相差法的原理类似，也有同样的缺点。

(2)基于模板匹配，先进行无异物状态的标准图像采集，建立待检测设备区域的模板图像库，再使用SIFT等配准算法与模板图片进行特征点匹配，从而确立是否有异物出现。缺点是类似SIFT等局部特征描述子是人工设计的，需要提前对图像许多预处理，室外光线变化会对识别结果造成很大影响，算法鲁棒性较差。

(3)基于激光雷达的监控，综合漂浮物的飞行高度等因素，对变电站一定高度区域内的漂浮物进行定位预警，通过发射激光束检测障碍物的位置信息。该方案的缺点是需要在许多地方都放置成本高，易受风速等环境因素影响，面对风飘这类漂浮物常出现漏定位等。

随着基于深度学习的图像识别技术日益成熟，当前许多变电站巡检都采用目标检测等手段进行研究。采用该类方案识别风飘物主要有几大难点，如数据量不足、风飘异物形态各异、异物尺度变化大、背景复杂等。

有鉴于此，建立一种具有创新性的风飘异物识别方法和装置是非常具有意义的。

发明内容

针对上述提到的风飘异物识别技术受环境影响大、成本高、难度大等问题。本申请的实施例的目的在于提出了一种基于语义分割的风飘异物识别方法和装置来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种基于语义分割的风飘异物识别方法，包括以下步骤：

S1：对收集到的风飘异物图片数据集进行语义分割像素标注，得到标签图片；

S2：搭建针对风飘异物的语义分割神经网络，并将风飘异物图片数据集中的图片输入语义分割神经网络，结合标签图片对语义分割神经网络进行训练，语义分割神经网络基于deeplabv3+网络，包括含有空洞卷积的深度卷积网络和空洞金字塔池化；

S3：将采集到的图片输入训练好的语义分割神经网络，得到输出结果；以及