本发明涉及一种输电线路入侵物检测方法，具体涉及一种超像素分割与深度学习相结合的输电线路入侵物检测方法。
背景技术
输电线路通道存在吊车作业、违章建筑、固定施工、线下堆物、违章树木、山火等异物入侵的重要隐患，容易造成线路跳闸，影响输电线路的运行安全。目前，针对异物入侵的检测方法主要有以下三类，一是人工监测，工作人员观察图像或视频，给出入侵检测结果，但是监控设备采集的图像或视频信息量大，人工的方式效率低，人力成本较大；二是基于视频分析技术的入侵检测方法，该类方法通过光流法、帧差分或背景差分等方法，检测视频中的运动目标，然后根据运动目标的颜色、形状等特征信息筛选目标，判断改运动目标是否为入侵异物，但是对监控设备的性能要求较高，除此之外，视频信息的冗余度高，造成资源浪费；三是基于图像差分的异物入侵检测方法，该类方法通过对图像差分，确定图像中的变化区域，最后给出入侵检测结果，该方法对环境噪声敏感，对较大、颜色一致的目标，可能会产生空洞，无法完整提取目标；通过光流差分法计算复杂，很难实现实时处理；通过背景差分法计算，易受环境影响较大，如光线变化、场景中其他物体的运动干扰等；同时，一般的图像查分法受光照等因素影响，会产生较多误报。
技术实现要素：
根据以上现有技术中的不足，本发明要解决的问题是：提供一种能够提高隐患类型识别精度，降低隐患类型误报率，能够对隐患类型准确分类，避免环境因素对检测效果干扰的超像素分割与深度学习相结合的输电线路入侵物检测方法。
本发明解决其技术问题所采用的技术方案是：
所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，包括以下步骤：
a、获取样本图像；
b、采用slic算法对图像进行超像素分割；
c、超像素分割完成后，采用中值滤波算法进行处理，保证边缘信息的同时去掉噪声造成的干扰；
d、完成中值滤波后，选择超像素块作为样本，训练fasterr-cnn模型，形成检测模型文件；
e、获取待测图像；
f、采用检测模型文件对待测图像进行检测；
g、根据检测结果获得识别后的结果。
超像素分割与深度学习相结合的输电线路入侵物检测方法通过slic算法、中值滤波算法和fasterr-cnn算法的相结合，能够形成识别精度高的检测模型文件，不但能够提高隐患类型识别精度，降低隐患类型误报率，还能够对隐患类型进行准确分类，极大的避免了环境因素对检测效果的干扰。
进一步的优选，样本图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的收集，形成样本图像。样本图像获取简单。
进一步的优选，步骤d中，训练fasterr-cnn模型所需要的样本数量为8000-10000个。保证检测模型文件的识别精度，降低隐患类型误报率。
进一步的优选，步骤d中，训练fasterr-cnn模型是以超像素块作为训练和目标识别的基本单元。
进一步的优选，超像素分割的步骤为：
a1、将含有n个像素点的样本图像颜色空间由rgb转换到cie-lab，使样本图像的每个像素的颜色值(l，a，b)与坐标(x，y)组成5维向量v[l，a，b，x，y]；
a2、随机选取k个种子点，形成聚类中心，利用5维向量v计算向量距离，根据向量距离计算结果，搜索距离每个种子点最近的像素，根据像素相似性将种子标签赋予该像素，进行像素归类；其中，5维向量v计算向量距离的公式为：
其中，dc表示第j个聚类中心与第i个像素点的颜色距离，ds表示第j个聚类中心与第i个像素点的空间距离，m表示最大颜色距离，范围可取[1,40]，一般取10，s表示最大空间距离，
a3，重复步骤a2，重新选取k个种子点，重新得到k个聚类中心，重新计算距离每个种子点最近的像素，根据像素相似性重新将像素进行归类，然后再次更新聚类中心，再次迭代计算直到收敛，形成像素块即可。
进一步的优选，像素归类时，每次迭代计算都给每个超像素分配一个类别标签，采用多数投票的原则，将该超像素中所有像素出现频率最高的类别作为最后的类别标签。
进一步的优选，待测图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的采集，获得待测图像。
本发明所具有的有益效果是：
本发明所述的超像素分割与深度学习相结合的输电线路入侵物检测方法通过针对输电线路的场景进行检测模型文件的训练，能够大大提高隐患类型的识别精度，降低隐患类型的误报率，同时，还能够将隐患类型进行准确分类，极大的避免了环境因素对检测效果的干扰，具有较强的实用性。
附图说明
图1为本发明的原理框图；
具体实施方式
下面结合附图对本发明的实施例做进一步描述：
如图1所示，本发明所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，包括以下步骤：
a、获取样本图像；
b、采用slic算法对图像进行超像素分割；
c、超像素分割完成后，采用中值滤波算法进行处理，保证边缘信息的同时去掉噪声造成的干扰；
d、完成中值滤波后，选择超像素块作为样本，训练fasterr-cnn模型，形成检测模型文件；
e、获取待测图像；
f、采用检测模型文件对待测图像进行检测；
g、根据检测结果获得识别后的结果。
所述的样本图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的收集，形成样本图像；待测图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的采集，获得待测图像。
所述的步骤d中，训练fasterr-cnn模型所需要的样本数量为8000-10000个；训练fasterr-cnn模型是以超像素块作为训练和目标识别的基本单元。
所述的超像素分割的步骤为：
a1、将含有n个像素点的样本图像颜色空间由rgb转换到cie-lab，使样本图像的每个像素的颜色值(l，a，b)与坐标(x，y)组成5维向量v[l，a，b，x，y]；
a2、随机选取k个种子点，形成聚类中心，利用5维向量v计算向量距离，根据向量距离计算结果，搜索距离每个种子点最近的像素，根据像素相似性将种子标签赋予该像素，进行像素归类；其中，5维向量v计算向量距离的公式为：
其中，dc表示第j个聚类中心与第i个像素点的颜色距离，ds表示第j个聚类中心与第i个像素点的空间距离，m表示最大颜色距离，范围可取[1,40]，一般取10，s表示最大空间距离，
a3，重复步骤a2，重新选取k个种子点，重新得到k个聚类中心，重新计算距离每个种子点最近的像素，根据像素相似性重新将像素进行归类，然后再次更新聚类中心，再次迭代计算直到收敛，形成像素块即可。
所述的像素归类时，每次迭代计算都给每个超像素分配一个类别标签，采用多数投票的原则，将该超像素中所有像素出现频率最高的类别作为最后的类别标签。
本发明能够针对输电线路的场景进行检测模型文件的训练，大大提高了隐患类型的识别精度，降低了隐患类型的误报率，同时，还能够将隐患类型进行准确分类，极大的避免了环境因素对检测效果的干扰，具有较强的实用性。
本发明并不仅限于上述具体实施方式，本领域普通技术人员在本发明的实质范围内做出的变化、改型、添加或替换，也应属于本发明的保护范围。