[发明专利]一种基于深度学习的电力杆塔状态检测的方法及系统

权利要求书

1.一种基于深度学习的电力杆塔状态检测的方法，其特征在于，该方法具体包括如下步骤：

S1、获取供构建深度学习模型数据并划分数据集；

S2、构建数据模块并加载数据，进一步构建该深度学习模型的损失函数；

S3、进一步构建用于深度学习训练的目标模型，并进行训练以及验证该目标模型；

S4、挑选获得所需的目标模型，导入待检测的目标电力杆塔检测其状态；以及

S5、根据预设阈值输出目标检测的结果。

2.根据权利要求1所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S1中具体还包括：

S11、整理航拍采集的无人机巡检视频，并按30帧/张与60帧/张进行取帧采样，作为初始数据；

S12、导入初始数据，通过标注软件LabelImg手动画框，以标注电力塔杆的位置信息，进行目标检测的信息标注，并按照格式object-class-IDX中心Y中心框宽框高表示标注的文本文件；

S13、将获得的VOC格式的数据集转换为TXT格式，进一步按照比例8:1:1划分为训练集、验证集、测试集，获得最终训练所需的数据集。

3.根据权利要求2所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，所述深度学习模型基于YOLOv5目标检测模型构建。

4.根据权利要求3所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S2中，使用目标定位损失box_loss、分类损失cls_loss以及置信度损失obj_loss构建所述深度学习模型的损失函数。

5.根据权利要求4所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在二分类情况下，所述损失函数的计算具体如下:

J＝-[y

其中，y表示样本标签，正样本标签为1，负样本标签为0。

6.根据权利要求4所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在多分类情况下，所述损失函数的计算具体如下:

其中，K为种类数量，y是标签；即若类别是i，则y_i+＝1，否则y_i+＝0；p是神经网络的输出，即指类别是i的概率。

7.根据权利要求1所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S3中具体还包括：

S31、设置预训练模型路径，数据集读取此路径，进一步设置训练迭代次数以及传入图片的大小，其他参数选项设置为默认，开始进行训练该目标模型；

S32、可视化训练过程并查看与模型相关指标的变化曲线；

S33、训练完成后，对比查看并保存最好的目标模型并输出至指定路径；

S34、对测试样本在训练好的目标模型上进行预测推理，以对目标模型进行验证。

8.一种基于深度学习的电力杆塔状态检测的系统，其特征在于，包括：

数据获取模块：配置获取深度学习模型所需的数据集；

损失函数构建模块：配置构架深度学习模型的损失函数；

计算模块：配置对损失函数进行计算；

模型构建模块：配置构建用于深度学习训练的目标模型。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。