一种基于DPRN深度学习算法的输电走廊树种分类方法及系统与流程

本发明涉及输电走廊树种分类，尤其涉及一种基于dprn深度学习算法的输电走廊树种分类方法及系统。

背景技术：

1、输电线路的稳定性和可靠性对电力系统的运行至关重要，特别是在树木和植被茂密的输电走廊中。输电走廊通常被各种树种和植物所环绕，这些植被可能对电力输送系统造成风险，如树木与输电线路的干扰、设备损坏以及线路故障。

2、传统的植被管理和监测方法通常依赖于人工巡视和手动识别树木种类，这种方法既费时又费力，难以覆盖大面积的输电走廊。此外，传统方法存在以下缺点：依赖人工劳动：人工巡视需要大量人力资源，费时费力，而且容易出现人为错误。有限的覆盖范围：人工巡视难以涵盖广大输电走廊，因此可能漏掉植被问题。识别准确性低：人工识别树木种类的准确性受到操作人员的知识水平和主观判断的影响，容易出现误判。响应速度慢：人工巡视通常无法提供及时的反馈和响应，延误了问题的解决。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种基于dprn深度学习算法的输电走廊树种分类方法及系统，能够解决背景技术中提到的部分问题。

4、为解决上述技术问题，本发明提供如下技术方案，一种基于dprn深度学习算法的输电走廊树种分类方法，包括：

5、获取输电走廊中的树木图像数据，对采集的图像进行标定，并对标定后的图像数据进行预处理；

6、根据预处理后的数据，结合dprn深度学习算法，建立并训练输电走廊树种分类模型，并对训练好的输电走廊树种分类模型进行验证优化；

7、将目标待识别输电走廊中的树木图像数据输入验证优化完成的输电走廊树种分类模型，进行输电走廊树种分类。

8、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述获取历史输电走廊中的树木图像数据，对采集的图像进行标定包括：

9、使用图像获取装置按照固定周期进行图像采集，记录采集到的每张图像的地理坐标、拍摄时间、拍摄地点以及拍摄角度；

10、记录采集到的树木图像中树木的种类标签、同种树木的各个部分标签和同种树木不同生长阶段的特征标签，所述同种树木的各个部分包括树冠以及树干，所述同种树木不同生长阶段包括幼年期、成熟期、衰老期以及各个时期对应的树木颜色；

11、对同种树木的图像数据进行标定，所述标定包括标记同种树木的全部图像数据，并建立对应树木种类数据库，所述数据库包括图像文件、地理坐标信息以及相应的树木种类标签、同种树木的各个部分标签和同种树木不同生长阶段的特征标签。

12、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述并对标定后的图像数据进行预处理包括：

13、对所述树木种类数据库中的图像数据调整为统一图片格式，并进行图像剪切，只保留包含树木的区域；

14、对剪切后的图像进行中值滤波，并对中值滤波之后的图像进行归一化和标准化处理，将像素值缩放至(-1，1)之间；

15、将预处理后的树木种类数据库分为训练集与测试集。

16、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述根据预处理后的数据，结合dprn深度学习算法，建立并训练输电走廊树种分类模型包括：

17、所述输电走廊树种分类模型输入为所述树木种类数据库中的数据，所述输电走廊树种分类模型输出为树木种类；

18、所述输电走廊树种分类模型损失函数为：

19、

20、其中，y_i表示第i个样本的真实标签，y_i取值为0或1，p_i^表示模型对第i个样本的预测概率，n是树木类别的总数。

21、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述根据预处理后的数据，结合dprn深度学习算法，建立并训练输电走廊树种分类模型还包括：

22、更新模型参数的公式如下：

23、

24、其中，wt+1和wt分别代表输电走廊树种分类模型在t+1时刻和t时刻的参数，η是学习率，用于控制更新步长大小，α是动量系数，用于控制动量项的大小，是在(xi,yi)上损失函数l(wt；xi,yi)相对于输电走廊树种分类模型参数wt的梯度，l(wt-1；xi,yi)是在t-1时刻在(xi,yi)上损失函数l(w t-1；xi,yi)相对于输电走廊树种分类模型参数wt-1的梯度。

25、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述对训练好的输电走廊树种分类模型进行验证优化包括：

26、评估输电走廊树种分类模型及约束条件表示为：

27、

28、其中，fscore表示评估系数，jq-z表示预测为某类树木且预测正确的样本，jq-y表示预测为某类树木的样本，jq-a表示全部预测样本数；

29、若评估输电走廊树种分类模型后满足约束条件，则模型满足需求；

30、若评估输电走廊树种分类模型后不满足约束条件，则模型不满足需求，通过调整网络结构重新进行模型训练。

31、作为本发明所述的基于dprn深度学习算法的输电走廊树种分类方法的一种优选方案，其中：所述调整网络结构包括：

32、当评估系数低于60％，则通过增加卷积层和全连接层来调整网络，同时提高1％学习率的值，并使用新的网络结构重新训练输电走廊树种分类模型；

33、当评估系数高于60％，低于80％，则通过增加卷积层或全连接层来调整网络，若评估系数高于60％，低于70％时，增加一个卷积层，若评估系数高于70％，低于80％时，增加一个全连接层，并使用新的网络结构重新训练输电走廊树种分类模型。

34、一种基于dprn深度学习算法的输电走廊树种分类系统，其特征在于，包括：数据获取与处理模块、模型训练与优化模块以及分类模块，

35、数据获取与处理模块，所述数据获取与处理模块用于获取输电走廊中的树木图像数据，对采集的图像进行标定，并对标定后的图像数据进行预处理；

36、模型训练与优化模块，所述模型训练与优化模块用于根据预处理后的数据，结合dprn深度学习算法，建立并训练输电走廊树种分类模型，并对训练好的输电走廊树种分类模型进行验证优化；

37、分类模块，所述分类模块用于将目标待识别输电走廊中的树木图像数据输入验证优化完成的输电走廊树种分类模型，进行输电走廊树种分类。

38、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

39、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，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

40、本发明的有益效果：本发明提出一种基于dprn深度学习算法的输电走廊树种分类方法及系统，获取输电走廊中的树木图像数据，对采集的图像进行标定，并对标定后的图像数据进行预处理；根据预处理后的数据，结合dprn深度学习算法，建立并训练输电走廊树种分类模型，并对训练好的输电走廊树种分类模型进行验证优化；将目标待识别输电走廊中的树木图像数据输入验证优化完成的输电走廊树种分类模型，进行输电走廊树种分类。将dprn深度学习算法引入电力行业，以实现自动化的输电走廊树木分类和监测，提供了更高的效率、准确性和实时决策支持，从而在电力系统维护和管理中具有重要的应用潜力。