一种输电线路涉鸟故障危害鸟种目标检测与识别方法

摘要

本发明公开了一种输电线路涉鸟故障危害鸟种目标检测与识别方法，首先建立架空输电线路涉鸟故障典型鸟种图像数据库，对鸟类图像进行标签制作，获得图像中的鸟种目标边界框位置和类别信息；然后采用聚类算法进行先验框的聚类分析，获得最佳尺寸的先验框，并利用锐化算法进行图像预处理，突出鸟种目标；最后构建YOLOv4网络模型，利用多阶段迁移学习与Mosaic数据增强、余弦退火学习率衰减、标签平滑处理等多种训练技巧进行模型训练，得到最优检测模型，并对测试集鸟种图像进行目标检测与识别。本发明能够在输电线路人工巡检或无人机巡检图像中检测并识别出可能引起线路故障的危害鸟种，可为电网运维人员进行渉鸟故障的差异化防治提供参考依据。

说明书

技术领域

本发明涉及输电线路领域，具体涉及一种输电线路涉鸟故障危害鸟种目标检测与识别方法。

背景技术

架空输电线路跨越森林、河流、农田等各种地理环境，线路周边的鸟类在杆塔上栖息、筑巢、泄粪等活动给电网安全运行带来了严重威胁。不同鸟类引起的线路故障类型存在差异，且渉鸟故障跳闸具有突发性，工程中通常是对故障进行事后分析，往往无法判断引发故障的鸟种类型，因而难以采取针对性的防治策略。目前，各类防鸟装置在输电线路上得到了广泛应用，电网相关部门也已统计出危害鸟种名录，但由于运维人员缺乏必要的鸟类知识和识鸟手段，实际防鸟工作仍存在一定的盲目性，未能有效抑制涉鸟故障次数的上升趋势。

在兼顾电网安全与鸟类保护的要求下，运维人员需要对可能引起鸟粪、鸟巢、鸟体短接、鸟啄等渉鸟故障的鸟类增设驱鸟型或隔离型防鸟装置，对国家重点保护鸟类增设引导型装置，针对不同类型和机理的涉鸟故障进行差异化防治。如何在复杂的巡线图像中定位并分类危害鸟种，进而辅助巡检人员进行准确识鸟，对于开展渉鸟故障生态防治具有重要意义。目前公开的技术对输电线路上的鸟巢识别开展了相关研究，但缺乏对鸟类图像的目标检测和识别技术。

发明内容

鉴于此，本发明的目的在于，提供一种输电线路涉鸟故障危害鸟种目标检测与识别方法，用于准确检测出架空输电线路巡检图像中的鸟类目标并识别其种类，为渉鸟故障的差异化防治提供参考依据。

为实现上述目的，本发明提供如下技术方案：一种输电线路涉鸟故障危害鸟种目标检测与识别方法，包括如下步骤：

S1：根据电网历史涉鸟故障统计信息，建立架空输电线路涉鸟故障危害鸟种图像数据库，按一定比例将鸟种图像分为训练集和测试集，训练集包含验证集；

S2：对鸟种图像数据库进行标签制作，运用图像标注工具将鸟种图像标注为VOC格式，获得图像中涉鸟故障典型鸟种目标的边界框位置和类别信息；

S3：采用聚类算法对标注好的涉鸟故障危害鸟种图像数据进行聚类分析，将所有标注的真实目标边界框的宽和高作为参数进行聚类，得出合适的先验框宽高尺寸参数；

S4：利用锐化算法对鸟种图像进行预处理，突出鸟种目标；

S5：采用YOLOv4算法构建网络模型，通过公共数据集对YOLOv4模型进行预训练，并在鸟种图像数据集上进行多阶段迁移学习，包括冻结和解冻两个阶段的操作，同时引入Mosaic数据增强方式、余弦退火学习率衰减、标签平滑处理及其不同组合形式的训练技巧，提高模型的学习效果；

S6：利用训练好的YOLOv4网络模型对测试集鸟种图像进行目标检测与识别，得到识别结果与准确率。

进一步地，S1中，将包含输电线路背景和鸟类目标的视频提取为单帧图像，添加到鸟种图像数据库中，同时通过几何变换和光学变换对图像数据集进行增广处理，用以提高模型的泛化能力。

进一步地，S3中的聚类算法包括但不限于K-means和K-means++算法。

进一步地，S4中的锐化算法包括但不限于拉普拉斯锐化、Sobel锐化。

本发明的有益效果是：

本发明提供的一种输电线路涉鸟故障危害鸟种目标检测与识别方法，能够在输电线路人工巡检或无人机巡检图像中检测并识别出可能引起线路故障的危害鸟种，且具有较高的识别准确率与较低的漏检率，可为电网运维人员进行渉鸟故障的差异化防治提供参考依据。

附图说明

图1为本发明中的一种输电线路涉鸟故障危害鸟种目标检测与识别方法流程图；

图2为本发明实施例中应用的YOLOv4算法网络模型结构图；

图3为本发明实施例中输电线路涉鸟故障部分危害鸟种的目标检测与识别效果图。

具体实施方式

下面结合实施例对本发明做进一步的描述，有必要在此指出的是以下实施例只是用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整，仍属于本发明的保护范围。

以下对输电线路涉鸟故障典型危害鸟种的图像数据标注、预处理和目标检测与识别进行详细阐述，其流程图如图1所示，包括以下步骤：

S1：根据电网历史涉鸟故障统计信息，建立架空输电线路涉鸟故障危害鸟种图像数据库，按一定比例将鸟种图像分为训练集(含验证集)和测试集。

本实施例中，根据输电线路运行经验、地理环境特征和鸟类栖息习性，统计出引起输电线路涉鸟故障的主要危害鸟种，从中选取黑鹳、黑领椋鸟、丝光椋鸟、八哥、喜鹊、东方白鹳、长耳鸮、珠颈斑鸠、大杜鹃、大鸨、斑鱼狗、戴胜、鸿雁、家燕、黑枕黄鹂、大嘴乌鸦、普通翠鸟、白鹭、池鹭、画眉等20种典型鸟种作为检测对象。由于包含现实场景的图像样本较少，所以将收集的包含输电线路实际背景与鸟类目标的视频转化为单帧的图像，建立输电线路涉鸟故障危害鸟种图像数据库。同时通过几何变换和光学变换对鸟种图像进行数据增广，包括水平翻转、旋转、色域变换等预处理，去均值归一化、统一图像大小为416×416，增加用以模型训练的样本数。

在本实施例中，所构建的鸟种图像数据库共包含8000幅图像，每种鸟类400幅，将数据集按9:1的比例分为训练集(含验证集)和测试集，在训练集中随机选取1/10的样本作为验证集。因此，训练集包含6480个样本，验证集包含750个样本，测试集包含800个样本。

S2：对鸟种图像数据库进行标签制作，运用图像标注工具将鸟种图像标注为VOC格式，获得图像中涉鸟故障典型鸟种目标的边界框位置和类别信息。

利用MRLabeler标签工具对鸟种图像进行标注，利用标注框框出图像中的目标及其对应的类别，并且自动生成.xml和txt标注文件，供下一步聚类分析和模型训练时调取数据。

S3：采用聚类算法对标注好的涉鸟故障危害鸟种图像数据进行聚类分析，将所有标注的真实目标边界框的宽和高作为参数进行聚类，得出合适的先验框宽高尺寸参数。

利用标注鸟种图像数据得到的边界框的坐标信息，结合聚类算法，对先验框的宽和高进行聚类，并计算聚类后的先验框尺寸对应的平均IoU(Avg IoU)作为评价标准，从而得到最佳的先验框宽和高参数。上述聚类算法包括但不限于K-means、K-means++聚类算法，大致步骤如下：

(1)调用标注好的边界框数据；

(2)选定k个初始先验框；

(3)计算每个先验框和每个聚类中心点的距离；

(4)根据距离分配先验框，更新初始先验框；

(5)重复第(3)、(4)步，直到初始先验框的尺寸改变量最小，表明聚类完成，最后计算在该先验框尺寸下的平均IoU。

S4：利用锐化算法对鸟种图像进行预处理，突出鸟种目标。

利用现有图像锐化处理技术，包括但不限于拉普拉斯锐化、Sobel锐化等，对输电线路涉鸟故障危害鸟种的图像数据进行锐化处理，突出鸟类目标的边缘，提高模型对鸟类目标的识别与检测效果。

S5：采用YOLOv4算法构建网络模型，通过公共数据集对YOLOv4模型进行预训练，并在鸟种图像数据集上进行多阶段迁移学习，包括冻结和解冻两个阶段的操作，同时引入Mosaic数据增强方式、余弦退火学习率衰减、标签平滑处理等不同组合形式的训练技巧，提高模型的学习效果。

将通过预处理与数据增广后的训练集导入到模型中进行训练。根据图2所示的YOLOv4模型结构图，首先利用CSPDarkNet53主干特征提取网络提取不同尺度的特征图，其中包含52×52、26×26、13×13三种尺度，然后利用SPP网络对13×13的特征图进行加强特征，用四个不同尺度的最大池化进行处理，这样能够极大地增加感受野，分离出最显著的特征，再利用PANet网络将加强特征后的13×13特征图进行不断的特征融合(上采样、下采样以及堆叠)，最后将融合后的三种尺度的特征图送入到Yolo_head预测网络中进行边界框的位置回归和类别预测。

在此过程中，为增加网络训练的准确性，采用多种训练技巧，其中包括：(1)采用迁移学习方法，先在Pascal VOC公共数据集上进行学习，迁移其训练得到的模型；(2)采用分阶段训练方法，冻住一部分层训练一定量的批次，解冻之后再训练一定量的批次；(3)通过Mosaic数据增强将数据增广后的四张图片拼凑成一张图，导入模型进行学习，提高模型的学习效率；(4)利用余弦退火学习率衰减策略，根据余弦衰减的方式调整学习率；(5)通过标签平滑处理方法解决过拟合问题。

在本实施例中，按照以上步骤，采用20种输电线路涉鸟故障危害鸟种图像训练集对YOLOv4算法模型进行训练，在第一阶段的训练中学习率为1×10

S6：利用训练好的YOLOv4网络模型对测试集鸟种图像进行目标检测与识别，得到识别结果与准确率。

本实施例中，利用所有类别检测结果的平均精度的均值mAP评估测试集的检测结果，800个测试样本目标检测结果的mAP可达92.20％。以8幅鸟种图像为例，其目标检测与识别结果如图3所示。

以上所述仅表达了本发明的优选实施方式，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的内容加以更改或改型为等同变化的等效实施例。但是，凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。