基于改进SSD算法的输电线路鸟窝检测方法与流程

本发明涉及一种目标识别方法，特别是一种基于改进ssd算法的输电线路鸟窝检测方法。

背景技术：

输电线路在电力系统巡行中扮演着至关重要的角色，一旦产生故障，将会对于输电网络造成巨大的经济损失。影响到输电线路安全运行的因素有很多，鸟害便是其中之一。近年来，鸟害事故的发生明显增多，通过对其分析，鸟窝造成的短路故障这一现象最为普遍，而对于鸟窝的检测目前采用最多的便是传统的人工巡检方法，这就要求巡检工作人员定期的前往检查，这种方法不仅效率低，而且容易受地形，天气等客观因素影响。

近年来，机器学习的出现带动目标检测这一课题也被重视起来，传统的目标检测算法更注重特征的提取，只能够适用于有明显特征，背景简单的图片，所提取的特征一般较为抽象，对于目标多样性的变化不能够拥有较好的鲁棒性。而在实际情况中，无人机所拍摄的照片背景复杂，且所需要检测的目标复杂多变，很难通过所提取出来的一般的抽象特征对目标进行检测。伴随着深度学习的不断发展，目标检测技术的研究取得了突破性的进展。

技术实现要素：

本发明目的在于对输电线路上的鸟窝搭建进行识别,使得鸟窝所造成的短路故障这一现象能够得到改善。

本发明提供了一种基于改进ssd算法的输电线路上鸟窝检测方法，主要包括以下步骤：(1)通过无人机获取输电铁塔的图像，并对其进行预处理后，人工打标签，制作数据集；(2)将步骤(1)得到的数据集分为互斥的训练集、验证集和测试集，采用改进后的ssd算法对其进行训练得出用于识别目标的模型；(3)根据步骤(2)得到的模型对目标进行识别；(4)对训练所得日志进行统计，得出该模型的准确率。

进一步，本发明步骤(1)中输电铁塔的图像，其图像包括输电线路以及搭建在输电线路上的鸟窝；对图像进行预处理，采用图片转换器对于图片进行批量的处理，将图片的尺寸缩至512×512，使之能够匹配ssd的输入；对图片进行人工打标签是使用labelimg工具给图片打标签，进而生成包含目标类别以及位置信息的xml文件。

进一步，本发明步骤(2)中的训练集、验证集和测试集按照8：1：1的比例随机分配。

进一步，本发明步骤(3)中对目标进行识别时，设置其ssd算法的识别阙值为0.5。

进一步，本发明步骤(4)中得模型准确率以(precision)和召回率(recall)作为衡量的评价指标；其计算公式为：

式中tp表示为被正确地划分到正例的个数，fp表示为被错误地划分到正例的个数，fn表示为被错误的划分到负例的个数。

进一步，本发明步骤(2)中改进后的ssd算法，包括(1)采用detnet网络；(2)使用convnms获得更好的输出。

进一步，本发明使用convnms，其流程为：

(a)当输入的输电线路图片为w×h时，需要对其生成w×h的scoremap，其中w＝w/4，h＝h/4，即scoremap上的每个点分别对应原图中4×4的区域。

(b)根据所得物体的boundingbox的置信度，将其中心点的位置记录在scoremap中，若接着得到更高的置信度，则需要对该区域的置信度进行更新，从而得到w×h×1的scoremap。

(c)用传统的nms对boundingbox进行处理，继而生成一张同样大小的scoremap，将其记为s(t)，t为nms的阈值。

(d)对于scoremap上的每个点都记录了是否包含boundingbox以及该box的置信度，以每个点为中心，选取其11×11的区域，计算其121个点所保存的boundingbox和中心点的iou，并将其保存为121维的向量用于描述该点的iou特性，整个scoremap的输出特征为15×15×121；

(e)scoremap作为输入，其中会有多个有效的score，与之对应着相同数目的boundingbox，假定这些boundingbox都是同一目标的检测结果，则训练目的为保留最好的一个，抑制其他的；

(f)通过将这些boundingbox中满足与groundtruth的iou大于0.5且得分最高的box作为正样本，其余均为负样本进行标签分配；

(g)在计算loss之前要分配权重，使得正样本的权重总和与负样本的权重总和相等；

(h)得出损失函数，如以下公式所示：

公式中，p表示scoremap中有值的点，xp是对p的特征描述，f(xp)是p的网络输出，选择权重使得正负样本在数据集中的权重总和相等。

本发明对输电线路上的鸟窝实现智能实时监控，极大的降低了人力成本，提高效率。

附图说明

图1为本发明的总体流程图。

图2为本发明ssd网络结构的示意图。

图3为本发明detnet主干网络的示意图。

图4a为其中一种detnet基本残差结构图。

图4b为另一种detnet基本残差结构图。

图5为本发明detnet特征金字塔网络结构细节图。

图6为本发明convnms的流程图。

具体实施步骤

下面结合附图对本发明进一步说明。

如图1所述，本申请提出了一种基于改进ssd算法的输电线路鸟窝检测方法，包括：

(1)通过无人机获取输电线路的图像，并对其进行预处理后，人工打标签，制作数据集。

其图像包括输电线路以及搭建在输电线路上的鸟窝。

对于给图片进行人工打标签是使用labelimg工具将图片中所要识别的目标框出来，由其自带的pascalvoc可以得到与图片相对应的xml文件，xml文件中会自动生成目标的坐标信息及其标签名。

(2)将数据集分为按照8：1：1的比例随机分为互斥的训练集，验证集和测试集。

(3)改进ssd算法，如图2所示，本发明的ssd算法改进在于：(1′)采用detnet替换传统主干网络；(2′)使用改进后的convnms提高目标检测效果，通过学习的方式获得更好的输出。

本发明的detnet包含以下特性：(1″)stage的数量专门为物体检测设计；(2″)相较于传统分类网络，detnet拥有更多stage，且同时兼顾空间分辨率和感受野。其主干网络如图3所示。

本发明的detnet是在resnet50的基础上进行改进的，其核心思想是空洞瓶颈结构，目的在于保持高分辨率的同时拥有足够大的感受野。改进后的两种基本残差结构如图4所示，图4a为dilatedbottleneck结构，图4b为带有1x1卷积投影的dilatedbottleneck结构。图5为detnet特征金字塔网络结构细节图。

如图6所示，本发明的convnms的流程为：

(a)当输入图片为w×h时，需要对其生成w×h的scoremap，其中w＝w/4，h＝h/4，即scoremap上的每个点分别对应原图中4×4的区域。

(b)根据所得物体的boundingbox的置信度，将其中心点的位置记录在scoremap中，若接着得到更高的置信度，则需要对该区域的置信度进行更新，从而得到w×h×1的scoremap。

(c)用传统的nms对boundingbox进行处理，继而生成一张同样大小的scoremap，将其记为s(t)，t为nms的阈值。

(d)对于scoremap上的每个点都记录了是否包含boundingbox以及该box的置信度，以每个点为中心，选取其11×11的区域，计算其121个点所保存的boundingbox和中心点的iou，并将其保存为121维的向量用于描述该点的iou特性，整个scoremap的输出特征为15×15×121；

(e)scoremap作为输入，其中会有多个有效的score，与之对应着相同数目的boundingbox，假定这些boundingbox都是同一目标的检测结果，则训练目的为保留最好的一个，抑制其他的；

(f)通过将这些boundingbox中满足与groundtruth的iou大于0.5且得分最高的box作为正样本，其余均为负样本进行标签分配；

(g)在计算loss之前要分配权重，使得正样本的权重总和与负样本的权重总和相等；

(h)得出损失函数，如以下公式所示：

公式中，p表示scoremap中有值的点，xp是对p的特征描述，f(xp)是p的网络输出，选择权重使得正负样本在数据集中的权重总和相等。

(4)根据所得模型对目标进行识别。

对训练所得日志进行统计，得出该模型的准确率。

该模型准确率以精确率(precision)和召回率(recall)作为衡量的评价指标。

其中精确率(precision)和召回率(recall)的计算公式为：

式中tp表示为被正确地划分到正例的个数，fp表示为被错误地划分到正例的个数，fn表示为被错误的划分到负例的个数。

本发明对输电线路上的鸟窝实现智能实时监控，极大的降低了人力成本，提高效率。