[发明专利]一种输电线路鸟类识别方法、装置及存储介质

权利要求书

1.一种输电线路鸟类识别方法，其特征在于，包括：

采集输电线路的鸟类图像数据集，并对所述鸟类图像数据集进行数据增强处理后得到训练图像集；

对所述训练图像集添加遮挡标签，并采用卷积神经网络提取所述训练图像集的特征图；

将所述特征图输入至主流的SSD模型计算得到损失函数，将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型；

采集所述输电线路的待识别图像数据，将所述待识别图像数据输入至所述鸟类识别模型中，输出多个识别框，在多个所述识别框中选取出最优识别框作为最终识别结果。

2.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述对所述鸟类图像数据集添加遮挡标签，包括：

根据所述鸟类图像数据集中鸟类被遮挡区域的占比设置对应的遮挡级别，根据所述遮挡等级对所述鸟类图像数据集添加遮挡标签，其中，当鸟类被遮挡区域的占比越大，其对应的遮挡级别越高。

3.如权利要求2所述的输电线路鸟类识别方法，其特征在于，所述将所述损失函数与所述遮挡标签结合进行训练，包括：

检测所述特征图中的标注框是否存在遮挡标签，若存在，则根据遮挡标签获取对应的遮挡级别，根据所述遮挡等级计算得到所述遮挡标签对应的遮挡系数；

将所述遮挡系数与损失函数结合得到遮挡补偿系数，根据所述遮挡补偿系数进行模型训练。

4.如权利要求3所述的输电线路鸟类识别方法，其特征在于，所述遮挡级别越高，所述遮挡补偿系数越大。

5.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型，包括：

通过所述SSD模型在所述特征图上生成先验框，将与真实目标的交并比大于预设阈值的先验框作为训练正样本，将与真实目标的交并比小于等于预设阈值的先验框定义为候选负样本；

对所述候选负样本进行抽样，并根据置信度误差对抽样后的所述候选负样本进行降序排序，根据所述训练正样本的数量以及所述训练样正样本与训练负样本的数量比例，根据误差最大递减顺序选择符合数量要求的候选负样本作为训练负样本；

根据所述训练正样本和所述训练负样本进行模型训练，得到鸟类识别模型。

6.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述在多个所述识别框中选取出最优识别框作为最终识别结果，包括：

采用非极大值抑制算法过滤多个所述识别框中重叠度高于预设阈值的识别框，在过滤后的多个识别框中选取最优识别框作为最终识别结果。

7.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述损失函数定义为：

其中，N是先验框的正样本数量，c为类别置信度识别值，l为先验框的所对应边界框的位置识别值，g为真实框的位置参数，L_conf为置信度误差，L_loc为位置误差，α为学习率。

8.如权利要求1所述的输电线路鸟类识别方法，其特征在于，所述数据增强处理包括水平翻转、随机裁剪、颜色扭曲和随机采集块域的至少一种。

9.一种输电线路鸟类识别装置，其特征在于，包括：

数据预处理模块，用于采集输电线路的鸟类图像数据集，并对所述鸟类图像数据集进行数据增强处理后得到训练图像集；

特征图提取模块，用于对所述训练图像集添加遮挡标签，并采用卷积神经网络提取所述训练图像集的特征图；

模型训练模块，用于将所述特征图输入至主流的SSD模型计算得到损失函数，将所述损失函数与所述遮挡标签结合进行模型训练，得到鸟类识别模型；

鸟类识别模块，用于采集所述输电线路的待识别图像数据，将所述待识别图像数据输入至所述鸟类识别模型中，输出多个识别框，在多个所述识别框中选取出最优识别框作为最终识别结果。

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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的输电线路鸟类识别方法的步骤。