一种基于CNN深度学习的输电通道植被侵入识别方法与流程

本发明涉及计算机视觉与深度学习，具体为一种基于cnn深度学习的输电通道植被侵入识别方法。

背景技术：

1、随着现代电力系统的发展，输电通道的安全管理变得越来越重要，输电线路通常穿越多种地形和环境，如山区、森林等，植被生长快速且多变，易导致植被侵入输电通道的情况发生，植被侵入可能会导致设备短路、火灾甚至系统故障，严重影响电力系统的可靠性和安全性。

2、传统的植被侵入监测方法主要依赖于人工巡检或简单的图像处理技术，这些方法存在着效率低、易受主观因素影响以及不能及时发现问题等缺点，随着计算机视觉和深度学习技术的快速发展，特别是卷积神经网络(cnn)在图像识别领域的成功应用，为解决输电通道植被侵入识别问题提供了新的解决方案。

3、深度学习的关键优势在于其能够自动从大规模数据中学习并提取复杂的特征，而无需人为设计和提取特征，cnn作为深度学习的代表模型之一，通过多层卷积和池化操作，能够有效地捕捉和学习图像中的空间层次特征，适合处理复杂的遥感影像数据，在输电通道植被侵入识别中，cnn技术能够识别出植被覆盖的区域，并区分出哪些是植被已经侵入到了通道区域，这种方法不仅提高了识别的准确性，还能够实现自动化监测和及时预警，大幅提升了电力系统的运行安全性和管理效率。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的输电通道植被侵入识别方法存在效率低、准确性差、实时性差，以及如何识别输电通道潜在问题和维护需要的问题，为输电通道提供更好的维护方法问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于cnn深度学习的输电通道植被侵入识别方法，包括采集输电通道实时数据，对实时数据进行预处理并整合至数据库中；通过数据库，构建输电通道植被侵入评估模型，评估植被侵入对输电通道的影响；基于输电通道植被侵入评估结果，综合评估输电通道状态，分析输电通道潜在问题和维护需要。

4、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：所述输电通道实时数据包括环境影响图像数据，无人机图像数据，地面传感器图像数据和固定摄像头图像数据；环境影响图像数据包括不同时间环境图像数据，不同天气条件环境图像数据和不同季节环境图像数据。

5、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：所述预处理包括使用高斯滤波器对图像数据进行去噪处理，表示为：

6、

7、其中，ifiltered(p,q)为高斯滤波后的图像中坐标为(p,q)的像素值，i(p+p,q+q)为原始图像中坐标为(p+p,q+q)的像素值，g(p,q)为高斯核中坐标为(p,q)的权重值，d为高斯核的数量；将图像进行归一化处理，表示为：

8、

9、其中，inorm(p,q)为标准化后的图像中坐标为(p,q)的像素值，i(p,q)为原始图像中坐标为(p,q)的像素值，μ为原始图像所有像素值的平均值，σ为原始图像所有像素值的标准差；将采集的实时数据进行标注，标记图像中的植被侵入区域和安全区域，区分不同类型的植被以及不同类型的植被与输电线路之间的安全距离，生成训练集和测试集，将预处理后的数据存储至数据库中。

10、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：所述构建输电通道植被侵入评估模型包括通过数据库，基于数据库采集的数据，构建输电通道植被侵入评估模型，表示为：

11、

12、其中，ivi为输电通道植被侵入影响指数，n为图像数据数量，li为第i张图像数据，ci为第i张图像的传感器数据，ti为第i张图像的采集时间，ei为第i张图像土壤湿度环境因素，fi为第i张图像温度环境因素，fvi(li,ci,ti)为基于图像数据和传感器数据的植被侵入识别函数，gt(ti)为时间序列分析函数，hef(ei,fi)为环境因素影响函数；计算基于图像数据和传感器数据的植被侵入识别函数fvi(li,ci,ti)，表示为：

13、

14、其中，τ为激活函数，k为卷积核的数量，wj为第j个卷积核的权重，cnn为卷积神经网络；基于卷积神经网络，对图像数据进行卷积层操作，提取特征，进行池化处理，对特征进行压缩，进行全连接层处理，将特征展开，通过全连接层进行分类，通过注意力机制，定位植被侵入区域；计算时间序列分析函数gt(ti)，表示为：

15、

16、其中，t为时间序列长度，at为时间序列分析模型中的参数；计算环境因素影响函数hef(ei,fi)，表示为：

17、

18、其中，m为环境因素数量，em为第m个土壤湿度环境因素，fm为第m个温度环境因素，bm为em的权重，cm为fm的权重；基于知识蒸馏，通过知识蒸馏在训练集进行输电通道植被侵入评估模型训练，计算损失函数，表示为：

19、

20、其中，lkd为损失函数，α为平衡系数，lce为交叉熵损失函数，y为真实标签，为学生模型的预测输出，r为温度参数，ρr为温度参数r的softmax函数，z为教师模型输出，zs为学生模型输出；将输电通道植被侵入评估模型在测试集进行模型评估，计算模型评估指标准确率，表示为：

21、

22、其中，accuracy为准确率，tp为真阳性，tn为真阴性，fp为假阳性，fn为假阴性；计算模型评估指标召回率，表示为：

23、

24、其中，recall为召回率；计算模型评估指标精确率，表示为：

25、

26、其中，precision为精确率；计算模型评估指标f1分数，表示为：

27、

28、其中，f1为精确率和召回率的调和平均值。

29、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：评估植被侵入对输电通道的影响包括基于输电通道植被侵入评估模型输出值，评估植被侵入对输电通道的影响；当ivi等于0时，表示没有植被侵入，对输电通道没有影响；当ivi大于0小于1时，表示存在植被侵入，对输电通道有影响，需要维护人员进行处理；当ivi等于1时，表示植被侵入严重，对输电通道造成重大影响，需要维护人员进行紧急处理。

30、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：所述综合评估输电通道状态包括括基于输电通道植被侵入评估结果，将输电通道植被侵入评估模型输出值ivi作为输入参数，综合评估输电通道状态，计算输电通道状态综合评分s，表示为：

31、

32、其中，n为输电通道数量，εl为第l个输电通道植被侵入权重，ivil为第l个输电通道植被侵入影响指数，βl为第l个输电通道维护需求因子，dl为第l个输电通道故障次数；当输电通道状态综合评分s等于0时，表示状态最差，需要立即维护；当输电通道状态综合评分s等于1时，表示状态最佳，不需要维护。

33、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别方法的一种优选方案，其中：所述分析输电通道潜在问题和维护需要包括基于输电通道状态综合评分结果，利用数据库中的历史数据和实时数据，进行数据挖掘和分析，发现输电通道的潜在问题和风险因素，基于数据挖掘结果，预测输电通道的维护需求，根据分析结果，优化输电通道的运维策略。

34、本发明的另外一个目的是提供一种基于cnn深度学习的输电通道植被侵入识别系统，其能通过数据库，构建输电通道植被侵入评估模型，评估植被侵入对输电通道的影响，解决了目前的输电通道植被侵入识别含有效率低的问题。

35、作为本发明所述的基于cnn深度学习的输电通道植被侵入识别系统的一种优选方案，其中：包括数据处理模块，植被侵入评估模块，综合评估模块；所述数据处理模块用于采集输电通道实时数据，对实时数据进行预处理并整合至数据库中；所述植被侵入评估模块用于通过数据库，构建输电通道植被侵入评估模型，评估植被侵入对输电通道的影响；所述综合评估模块用于基于输电通道植被侵入评估结果，综合评估输电通道状态，分析输电通道潜在问题和维护需要。

36、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，所述处理器执行所述计算机程序是实现基于cnn深度学习的输电通道植被侵入识别方法的步骤。

37、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于cnn深度学习的输电通道植被侵入识别方法的步骤。

38、本发明的有益效果：本发明提供的基于cnn深度学习的输电通道植被侵入识别方法通过采集多源数据，提高了模型识别的准确性和鲁棒性，能够适应不同的环境条件和天气状况，实现全天候监测；通过图像去噪、归一化和标注，提高了数据质量，模型训练效果，模型的泛化能力和识别准确率，降低了误报率和漏报率；通过构建了基于cnn深度学习的输电通道植被侵入评估模型，并结合时间序列分析和环境因素影响函数，实现更全面的评估，提高了评估的准确性和可靠性；通过卷积神经网络提取数据特征并加入注意力机制，识别并强化植被侵入区域的关键特征，使模型在训练过程中更加关注关键特征重要区域，提高了模型的学习能力和识别准确率，本发明在准确性、效率以及可靠性方面都取得更加良好的效果。