[发明专利]一种输电导线断股与断点的识别方法、设备及存储介质

权利要求书

1.一种输电导线断股与断点的识别方法，其特征在于，包括如下步骤：

获取多股断股导线数据库中的若干个断点图像，其中，若干个所述断点图像被分为训练集和测试集；

构建多股断股导线断点定位网络，将所述训练集通过所述多股断股导线断点定位网络进行反复训练，以得到初步神经网络模型；

利用所述测试集验证所述初步神经网络模型的精度，若所述初步神经网络模型的精度满足要求，则生成多股断股导线断点定位模型；

获取待识别多股断股导线图像，采用所述多股断股导线断点定位模型对所述待识别多股断股导线图像进行识别，以得到多股断股导线图像内断点的位置。

2.根据权利要求1所述的输电导线断股与断点的识别方法，其特征在于，所述股断股导线断点定位网络为改进的MobileNetV3卷积神经网络，所述改进的MobileNetV3卷积神经网络包括深度可分离卷积结构以及显性瓶颈倒残差结构。

3.根据权利要求2所述的输电导线断股与断点的识别方法，其特征在于，所述深度可分离卷积结构通过采用M个深度卷积核组成的深度卷积层对各通道进行特征提取，得到M个特征图后，采用N个1×1×M卷积层将深度卷积层的输出从M维映射到N维，其中，M、N为特征图的通道数。

4.根据权利要求2所述的输电导线断股与断点的识别方法，其特征在于，所述显性瓶颈倒残差结构中加入了轻量级通道注意力模块。

5.根据权利要求4所述的输电导线断股与断点的识别方法，其特征在于，所述显性瓶颈倒残差结构在浅层网络和深层网络中采用不同的激活函数。

6.根据权利要求5所述的输电导线断股与断点的识别方法，其特征在于，所述显性瓶颈倒残差结构在浅层网络采用ReLU激活函数，在深层网络中采用h-swish激活函数。

7.根据权利要求1所述的输电导线断股与断点的识别方法，其特征在于，所述利用所述测试集验证所述初步神经网络模型的精度，若所述初步神经网络模型的精度满足要求，则生成多股断股导线断点定位模型具体包括：

将所述测试集输入至所述初步神经网络中，以得到断点的预测坐标位置，根据断点的预测坐标与实际坐标计算出平均误差，根据所述平均误差判断所述初步神经网络模型的精度满足要求，当所述初步神经网络模型的精度满足要求时，则生成多股断股导线断点定位模型。

8.根据权利要求7所述的输电导线断股与断点的识别方法，其特征在于，所述平均误差的计算公式为：

其中，N为测试集总样本数，表示第i个样本中某一断点的预测坐标与实际坐标的欧氏距离，表示归一化系数，设定为输入样本边长。

9.一种输电导线断股与断点的识别设备，其特征在于，包括：处理器和存储器；

所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的输电导线断股与断点的识别方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的输电导线断股与断点的识别方法中的步骤。