[发明专利]一种基于深度学习的导线漂浮物智能识别方法及装置

说明书

本发明公开了一种基于深度学习的导线漂浮物智能识别方法及装置，该方法包括：采用图像重组的方式将获取的卫星影像数据进行数据增强，获取训练集；采用Canny边缘检测算子处理所述训练集以获取目标导线；根据特征金字塔模型将预设的SSD模型中的深层特征与浅层特征相融合，获取改进后的SSD模型，将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别，获取目标导线漂浮物；若所述目标导线与所述目标导线漂浮物比对成功，则获取最终目标导线漂浮物。本发明通过图像重组进行数据增强，结合改进的SSD模型进行训练获取的目标导线漂浮物与导线基准进行对比，提高识别的准确度以及检测效率。

技术领域

本发明涉及目标识别技术领域，尤其涉及一种基于深度学习的导线漂浮物智能识别方法及装置。

背景技术

现代社会严重依赖电力服务，只有可靠的电力服务才可以维持正常的生产、生活中的用电需求，为了向城市和农村提供可靠的电力服务，电力线路、输电塔和相关附件等重要电网部件的维护至关重要，然而，这些设施暴露在室外环境中很容易受到破坏，如输电导线上悬挂风筝，气球，塑料袋和广告布等漂浮物垃圾时，会损坏这些设施，并造成巨大的安全事故和经济损失。因此，要求对电力线系统进行实时监控，以便在出现导线漂浮物悬挂等危险情况时维修部门能及时清理，由于缺乏有效的输电线路检测方法，许多输电线路检测仍依赖人工巡检，该方法成本高，效率低。

近年来，随着深度学习的发展和卫星遥感影像在民用方面的普及应用，使得依靠深度学习处理卫星图像检测输电线路状态成为可能，然而，由于卫星遥感影像分辨率大、背景复杂，缺乏足够数量的带有导线悬挂物的样本图像训练深度学习网络，而充足的正负样本是保证目标检测算法精确度的关键，样本不足会导致训练出的网络性能不足，导线悬挂物在卫星遥感影像中相对面积小，呈现小目标的特点，现有网络模型对小目标的检测精度较低。现有的研究多集中于基于无人机航拍图像对导线悬挂物进行识别，比如，基于输电线路悬挂异物航拍图像的图像分割算法研究、基于无人机航拍图像提出了一种将导线漂浮物与图像背景分割的方法以及一种基于YOLOv4的输电线路异物检测方法。以上方法提取的目标仅为和导线漂浮物相似目标，其位置与导线的相对位置不确定，无法区分目标是否为导线漂浮物。

发明内容

本发明目的在于，提供一种基于深度学习的导线漂浮物智能识别方法，以解决少样本训练集不足以及无法区分是否获取最终漂浮物的问题。

为实现上述目的，本发明提供一种基于深度学习的导线漂浮物智能识别方法，包括：

采用图像重组的方式将获取的卫星影像数据进行数据增强，获取训练集；

采用Canny边缘检测算子处理所述训练集以获取目标导线；

根据特征金字塔模型将预设的SSD模型中的深层特征与浅层特征相融合，获取改进后的SSD模型，将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别，获取目标导线漂浮物；

若所述目标导线与所述目标导线漂浮物比对成功，则获取最终目标导线漂浮物。

优选地，所述获取最终目标导线漂浮物，具体为：

若所述目标导线的位置与所述目标导线漂浮物的位置重叠，若所述目标导线的位置与所述目标导线漂浮物的位置重叠，则确定所述目标导线漂浮物为所述最终目标导线漂浮物，否则，确定所述将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别不准确。

优选地，所述采用图像重组的方式将获取的卫星影像数据进行数据增强，具体为：

对所述卫星影像数据进行预处理，获取预处理后的数据，将所述预处理后的数据中的目标数据与背景数据分割之后，再将分割后的目标数据与预设的背景数据进行融合。

优选地，对所述卫星影像数据进行预处理，具体为：对所述卫星影像数据进行灰度化、中值滤波以及高斯滤波处理。