一种基于深度学习的电力杆塔状态检测的方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115019209A(43)申请公布日2022.09.06(21)申请号202210697339.6G06V10/82(2022.01)(22)申请日2022.06.20G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人福建省海峡智汇科技有限公司G06N3/08(2006.01)地址361112福建省厦门市同安区五显镇五显街233号(72)发明人林旭李密陈旭陈佳期唐光铁曾远强卢雨畋周小报(74)专利代理机构厦门福贝知识产权代理事务所(普通合伙)35235专利代理师陈远洋(51)Int.Cl.G06V20/17(2022.01)G06V10/764(2022.01)G06V10/766(2022.01)G06V10/774(2022.01)权利要求书2页说明书8页附图13页(54)发明名称一种基于深度学习的电力杆塔状态检测的方法及系统(57)摘要本发明提出了一种基于深度学习的电力杆塔状态检测的方法，该方法具体包括如下步骤：获取供构建深度学习模型数据并划分数据集；构建数据模块并加载数据，进一步构建该深度学习模型的损失函数；进一步构建用于深度学习训练的目标模型，并进行训练以及验证该目标模型；挑选获得所需的目标模型，导入待检测的目标电力杆塔检测其状态；以及根据预设阈值输出目标检测的结果。通过深度学习目标检测结合电力杆塔状态的检测，生成的模型较小，有利于部署移植到边缘设备进行结果计算，从而提高巡检人员的工作效率，减少成本。CN115019209ACN115019209A权利要求书1/2页1.一种基于深度学习的电力杆塔状态检测的方法，其特征在于，该方法具体包括如下步骤：S1、获取供构建深度学习模型数据并划分数据集；S2、构建数据模块并加载数据，进一步构建该深度学习模型的损失函数；S3、进一步构建用于深度学习训练的目标模型，并进行训练以及验证该目标模型；S4、挑选获得所需的目标模型，导入待检测的目标电力杆塔检测其状态；以及S5、根据预设阈值输出目标检测的结果。2.根据权利要求1所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S1中具体还包括：S11、整理航拍采集的无人机巡检视频，并按30帧/张与60帧/张进行取帧采样，作为初始数据；S12、导入初始数据，通过标注软件LabelImg手动画框，以标注电力塔杆的位置信息，进行目标检测的信息标注，并按照格式<object‑class‑ID><X中心><Y中心><框宽><框高>表示标注的文本文件；S13、将获得的VOC格式的数据集转换为TXT格式，进一步按照比例8:1:1划分为训练集、验证集、测试集，获得最终训练所需的数据集。3.根据权利要求2所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，所述深度学习模型基于YOLOv5目标检测模型构建。4.根据权利要求3所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S2中，使用目标定位损失box_loss、分类损失cls_loss以及置信度损失obj_loss构建所述深度学习模型的损失函数。5.根据权利要求4所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在二分类情况下，所述损失函数的计算具体如下:J＝‑[y其中，y表示样本标签，正样本标签为1，负样本标签为0。6.根据权利要求4所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在多分类情况下，所述损失函数的计算具体如下:其中，K为种类数量，y是标签；即若类别是i，则yi+＝1，否则yi+＝0；p是神经网络的输出，即指类别是i的概率。7.根据权利要求1所述的基于深度学习的电力杆塔状态检测的方法，其特征在于，在S3中具体还包括：S31、设置预训练模型路径，数据集读取此路径，进一步设置训练迭代次数以及传入图片的大小，其他参数选项设置为默认，开始进行训练该目标模型；S32、可视化训练过程并查看与模型相关指标的变化曲线；S33、训练完成后，对比查看并保存最好的目标模型并输出至指定路径；S34、对测试样本在训练好的目标模型上进行预测推理，以对目标模型进行验证。8.一种基于深度学习的电力杆塔状态检测的系统，其特征在于，包括：2CN115019209A权利要求书2/2页数据获取模块：配置获取深度学习模型所需的数据集；损失函数构建模块：配置构架深度学习模型的损失函数；计算模块：配置对损失函数进行计算；模型构建模块：配置构建用于深度学习训练的目标模型。9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑7中任一所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在