[发明专利]输电铁塔的组塔进度识别方法

说明书

本发明涉及一种输电铁塔的组塔进度识别方法，其具体步骤为：S1、收集一组拍摄输电铁塔组塔过程的图像以及其对应的组塔进度标签，根据组塔过程的图像和组塔进度标签构建数据库；S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征，得到特征矩阵以及特征矩阵对应的标记向量；S3、将特征矩阵和标记向量作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数；S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。本发明模型训练和识别的速度快，识别输电铁塔组塔进度的准确度高，适应施工现场对于数据监测识别实时性和准确性的要求，提高工作效率。

技术领域

本发明属于图像分析技术领域，涉及电力工程图分析技术，具体地说，涉及一种输电铁塔的组塔进度识别方法。

背景技术

在电力网络系统中，输电铁塔是其中十分重要的一部分，支撑着大量的输电线路相互连接，保证了整个电力网络系统的正常稳定运转。在输电铁塔组塔过程中，存在由于设备缺陷、违章作业等致使组塔过程中人员伤害、财产损失的隐患，因此，对于项目的施工单位和建设管理单位而言，实时监控组塔状态具有一定的必要性。随着电力物联网、透明电网概念的相继提出，“智能化”成为电力系统的研究重点之一，其作用在于通过大数据汇集各种资源为城市规划建设、生产运行、运营管理、综合服务、新业务新模式发展提供充分有效的数据支持。输电铁塔组塔进度作为众多检测目标中的一环，对于降低组塔期间人员伤害及财产损失，保障施工按时安全完成，有着其重要意义。

当前输电铁塔组塔施工现场对于施工进度及施工安全的掌握多由专门人员在施工现场完成，负责每日检查施工过程中器材和人员操作过程中出现的问题，但利用人眼得到的判断费时费力且效率低下，同时主观性强，准确度不高。

发明内容

本发明针对现有技术存在的工作效率低、准确度不高等上述问题，提供一种输电铁塔的组塔进度识别方法，能够准确识别输电铁塔的组塔进度情况，实现远程智能组塔进度监控，有利于保障电力系统运行稳定，提高工作效率，保障供电需求。

为了达到上述目的，本发明提供了一种输电铁塔的组塔进度识别方法，其具体步骤为：

S1、构建数据库；

收集一组拍摄输电铁塔组塔过程的图像[I₁,I₂,...,I_N]以及其对应的组塔进度标签[y₁,y₂,...,y_N]，N为收集的图像总数量，I_N为大小X*Y*3的矩阵，其中，X*Y对应图像分辨率，I_N(X,Y,1)代表第N张组塔图像在像素(X,Y)位置的R值，I_N(X,Y,2)代表第N张组塔图像在像素(X,Y)位置的G值，I_N(X,Y,3)代表第N张组塔图像在像素(X,Y)位置的B值；y_N表示第N张图像所对应的组塔进度，组塔进度共划分为4种，分别标记为1、2、3、4，根据组塔过程的图像和组塔进度标签构建数据库；

S2、将步骤S1中组塔过程的图像导入卷积神经网络提取特征，得到特征矩阵F以及特征矩阵F对应的标记向量L；

S3、将特征矩阵F和标记向量L作为输入，训练超限学习机模型，得到训练后超限学习机模型的模型参数；

S4、利用训练后得到的超限学习机模型的模型参数对其他输电铁塔组塔进度图像进行组塔进度情况分类。

优选的，步骤S2中，卷积神经网络选用Alexnet网络，所述Alexnet网络包括5个卷积层、3个池化层和3个全连接层，第一卷积层为输入层，第一池化层位于第一卷积层和第二卷积层之间，第二池化层位于第第二卷积层与第三卷积层之间，第三卷积层、第四卷积层、第五卷积层依次连接，第三池化层连接第五卷积层，三个全连接层依次连接，第一全连接层与第三池化层连接，第三全连接层为输出层。