[发明专利]一种基于统计特征与机器学习的输电线路鸟巢识别方法

摘要

本发明涉及一种基于统计特征与机器学习的输电线路鸟巢识别方法，包括：依据图像中的输电线路中是否有鸟巢存在进行分类，规定不含鸟巢的图像为正样本，含鸟巢的图像为负样本；将训练集的图像从RGB颜色空间转换为HSV颜色空间；在HSV颜色空间进行分解，得到输电线图像的H、S、V三个通道颜色分量，在H、S、V三个通道上分别提取其统计特征，统计一阶矩到六阶矩，将这些特征组成一个n×18维的数据集，其中n表示样本个数；训练分类器；利用训练好的分类器对待识别输电线图像进行识别，判断是否存在鸟巢。

主权项

1.一种基于统计特征与机器学习的输电线路鸟巢识别方法，包括下列步骤：1)将巡检后得到的输电线图像收集起来，依据图像中的输电线路中是否有鸟巢存在进行分类，并分为训练集和测试集，规定不含鸟巢的图像为正样本，含鸟巢的图像为负样本；训练集内正样本和负样本各半；对所有图像进行预处理，采用双三次内插方法使各个图像缩放到统一尺寸；2)将训练集的图像从RGB颜色空间转换为HSV颜色空间。3)对步骤2得到的输电线图像在HSV颜色空间进行分解，得到输电线图像的H、S、V三个通道颜色分量，在H、S、V三个通道上分别提取其统计特征，统计一阶矩到六阶矩，将这些特征组成一个n×18维的数据集，其中n表示样本个数；4)对步骤3中的数据集进行归一化处理；5)利用归一化处理后的数据组成分类器的训练集，并制作符合SVM格式的标签文件，将分类器训练集和测试集的正样本的类别标签置为1，负样本的类别标签置为‑1；6)选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，利用步骤5得到的训练集训练分类器模型，得到分类器模型，通过测试不同c和g的K折交叉验证的准确率来寻找最佳的c和g的值；7)利用训练好的分类器对待识别输电线图像进行识别，判断是否存在鸟巢。