一种输电导线的特征识别方法与流程

本发明涉及高压输电线路导线识别，特别涉及一种输电导线的特征识别方法。

背景技术：

1、随着我国电力行业的升级改造，智能的带电作业机器人成为当前的研究热点。虽然进行了带电作业机器人研发和试点，但现有高压带电作业机器人系统一般采用主从控制方式，需借助人眼判断目标的位置来进行操作，但这种方法对操作人员熟练程度要求高，严重阻碍机器人的推广应用。

2、传统的目标检测方法以图像识别为基础，主要包括4个步骤：提取候选框、对每个框提取特征、图像特征分类、非极大值抑制完成框回归。由于机器人作业环境复杂，且不同场景的图像往往要重新设计合适的特征，实际应用时也要依据具体情况而定，所以，人工提取的特征不能适应当今的海量数据，难以应用于背景复杂的高压线缆图像数据中。因此，需要一种输电导线的特征识别方法。

技术实现思路

1、本发明实施例提供了一种输电导线的特征识别方法，以至少解决现有技术中所提供的输电线路识别时识别速度及准确度偏低的问题。

2、根据本发明实施例的一方面，提供了一种输电导线的特征识别方法，包括：

3、获取历史的输电导线图片；

4、根据高压导线的特点，结合所述历史的输电导线图片构建改进faster r-cnn，所述改进faster r-cnn能够对进行输电导线识别，其中，所述改进faster r-cnn在特征提取中设置跳转连接，在特征识别过程中设置1×1的卷积和激活层函数；

5、将实时的输电导线图片输入改进faster r-cnn进行输电导线识别。

6、可选地，所述改进faster r-cnn包括：共享卷积层、rpn层、roipooling层、分类和回归层；

7、所述共享卷积层用于对输电导线图片进行特征识别提取，得到特征图，供后续的rpn层和全连接层使用，在共享卷积层设置跳转连接、1×1的卷积和激活层函数；

8、所述rpn层用于生成候选框，利用softmax判断候选框是前景还是背景，并利用bounding box regression调整候选框的位置，得到特征子图；

9、所述roipooling层用于将大小尺寸不同的特征子图转化为固定长度输出；

10、分类和回归层用于对roipooling层输出的特征图进行类别进行判断，同时再次对bounding box进行回归从而得到输电导线精确的形状和位置，即实现输电导线的识别。

11、可选地，所述激活层函数采用relu：当输入小于等于0时，输出0；当输入大于0时，输出等于输入。

12、可选地，所述共享卷积层包括依次连接的bn层、第1个卷积层、第1个激活层、第2个卷积层、第2个激活层、第3个卷积层、第3个激活层，所述bn层的输入端跳转连接至第3个激活层的输出。

13、根据本发明实施例的另一方面，还提供了一种输电导线的特征识别系统，包括：

14、数据获取模块，用于获取历史的输电导线图片；

15、改进faster r-cnn模块，用于根据所述历史的输电导线图片构建改进faster r-cnn，所述改进faster r-cnn能够对进行输电导线识别，其中，所述改进faster r-cnn在特征提取中设置跳转连接；将实时的输电导线图片输入faster r-cnn进行输电导线识别。

16、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的输电导线的特征识别方法。

17、根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的输电导线的特征识别方法。

18、与现有的技术相比，本发明具有如下有益效果：

19、本发明实施例中，本方法通过根据高压导线的特点构建改进faster r-cnn，在深度神经网络的特征提取环节中引入跳转连接，将卷积层的输入特征图谱加到输出部分，使网络保持良好的梯度信息；在特征提取环节引入1×1卷积，将神经网络内的数据进行降维，可有效减少参数，同时使网络具有较强的细节特征提取能力；在特征识别环节引入激活层函数，通过非线性映射，网络将特征映射到高维的非线性区间，增强网络的表达能力。通过本发明的特征识别方法解决现有技术中所提供的输电线路识别时识别速度及准确度偏低的问题。

技术特征：

1.一种输电导线的特征识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的输电导线的特征识别方法，其特征在于，所述改进faster r-cnn包括：共享卷积层、rpn层、roipooling层、分类和回归层；

3.根据权利要求1所述的输电导线的特征识别方法，其特征在于，所述激活层函数采用relu：当输入小于等于0时，输出0；当输入大于0时，输出等于输入。

4.根据权利要求1所述的输电导线的特征识别方法，其特征在于，所述共享卷积层包括依次连接的bn层、第1个卷积层、第1个激活层、第2个卷积层、第2个激活层、第3个卷积层、第3个激活层，所述bn层的输入端跳转连接至第3个激活层的输出。

5.一种输电导线的特征识别系统，其特征在于，包括：

6.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至4中任意一项所述的输电导线的特征识别方法。

7.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述的输电导线的特征识别方法。

技术总结
本发明公开了一种输电导线的特征识别方法，通过根据高压导线的特点构建改进Faster R‑CNN，在深度神经网络的特征提取环节中引入跳转连接，将卷积层的输入特征图谱加到输出部分，使网络保持良好的梯度信息；在特征提取环节引入1×1卷积，将神经网络内的数据进行降维，可有效减少参数，同时使网络具有较强的细节特征提取能力；在特征识别环节引入激活层函数，通过非线性映射，网络将特征映射到高维的非线性区间，增强网络的表达能力。通过本发明的特征识别方法解决现有技术中所提供的输电线路识别时识别速度及准确度偏低的问题。

技术研发人员：祝文姬,欧发斌,卓浩泽,纪硕磊,王乐,张龙飞,刘旭,祁红涛,卢万里,凌颖,邹林
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：
技术公布日：2024/1/13