(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 1108841 A(43)申请公布日 2020.03.17
(21)申请号 2019111921.8(22)申请日 2019.11.28
(71)申请人 江苏电力信息技术有限公司
地址 210024 江苏省南京市鼓楼区广州路
1号民防大厦(72)发明人 徐磊 张斌 吴鹏
(74)专利代理机构 南京汇盛专利商标事务所
(普通合伙) 32238
代理人 陈扬(51)Int.Cl.
G06T 7/00(2017.01)
权利要求书1页 说明书3页 附图2页
(54)发明名称
一种基于YOLOv3的输电线路鸟类检测算法(57)摘要
本发明公开了一种基于YOLOv3的输电线路鸟类检测算法，通过安装在杆塔上的监控装置采集到的视频图像中提取单帧图像，制作训练算法的数据集，并划分训练集和测试集；使用训练集进行算法的训练，并使用测试集对算法进行测试和评估；使用算法来进行目标检测，用检测结果来控制驱鸟器的启停。本发明使用残差模块提取图像的深层次特征，采用多尺度目标检测策略来保证鸟类的检测效果，根据检测结果判断是否启动超声波驱鸟器，以低能耗的方式实现了驱鸟的智能化。
CN 1108841 ACN 1108841 A
权 利 要 求 书
1/1页
1.一种基于YOLOv3的输电线路鸟类检测算法，其特征在于：该算法主要包括以下步骤：1）制作数据集，从杆塔固定位置的监控设备采集到的监控视频中，按照位置、季节、时间因素合理抽取单帧图像，将收集到的所有图像组成数据集，用Labellmg工具对收集到的图片进标注并以VOC数据的格式来存储，并对数据集进行分析和调整，并按比例随机划分为训练集和测试集，训练集用来模型训练，测试集用来测试训练后的模型，以保证模型的准确性和稳定性；
2）模型训练，使用划分好的训练集来训练改进的YOLOv3目标检测算法，在LOSS趋于稳定后选出合适的模型进行测试和评估，判断模型是否满足要求，最终选出最优模型；
3）图像采集，从监控视频中提取单帧图像，监控视频来自于输电线路杆塔上安装的监控装置，提取出的图像作为模型的输入进行鸟类识别；
4）鸟类识别并控制驱鸟器的启停，采用改进的YOLOv3目标检测算法对监控装置采集到的单帧图像进行鸟类检测，统计鸟类数目，判断是否达到驱鸟阈值，如果达到驱鸟阈值则启动驱鸟器，否则进行持续监控。
2.根据权利要求1中所述的改进的YOLOv3目标检测算法，其特征在于：所述的步骤1）中，现实场景中负样本个数远远多于正样本，因此含有鸟类的图像较少，为了使模型具有较好的鲁棒性，在制作数据集时加入一些来自网络中且包含鸟类的图像，这样训练后的模型对不同场景下具有较好的适应能力。
3.根据权利要求1中所述的改进的YOLOv3目标检测算法，其特征在于：所述的步骤4）中，由于对数据集和实际情况的充分了解，聚类结果发现鸟类普遍较小和聚集的情况，对YOLO v3检测模型进行改进，从而适应特定的输电线路鸟类检测任务；同时为了提升运算速率保证任务的实时性，模型中仅提取两组多尺度特征对鸟类位置和类别进行预测，从而适应特定的输电线路鸟类检测任务。
2
CN 1108841 A
说 明 书
一种基于YOLOv3的输电线路鸟类检测算法
1/3页
技术领域
[0001]本发明属于输电线路的图像处理领域，涉及一种基于YOLOv3的输电线路鸟类检测算法。
背景技术
[0002]在社会现代化发展的背景下，社会对于电力的供应、传输的安全性以及可靠性的要求提出越来越高的要求，电力系统的可靠性和安全性发挥着中流砥柱的作用。同时随着环境保护理念的加强以及有关鸟类保护的相关法律法规的建立并完善，鸟类的数量以及活动场地已扩增到前所未有的规模。根据有关统计分析，鸟类活动引起线路跳闸次数在国家电网发生的全部输电线路跳闸次数中排名第三，仅仅排在雷击和外部损害导致的线路故障跳闸次数。
[0003]目前针对输电线路鸟害问题，电网公司往往采取传统的驱鸟方式，如在杆塔的构建上安装鸟刺、安装绝缘板防止鸟粪、在绝缘子下端安装风车。采用以上物理方式并不能长期有效的解决鸟害问题，伴随而来的是施工困难、成本高和需要有风的特殊条件等问题。目前最有效的方法是安装超声波驱鸟器，但是使驱鸟器长时间处于工作状态不仅浪费资源还可能会对周围环境产生影响，定时间歇性工作又会使鸟类形成习惯，从而达不到驱鸟的效果。因此如何制定驱鸟器的启停策略成为解决鸟害问题的关键。发明内容
[0004]本发明的目的是提供一种基于YOLOv3的输电线路鸟类检测算法，这种目标检测算法适用于输电线路杆塔附近的鸟类检测，同时可适应恶劣天气环境对图像采集产生的影响，以低能耗的方式实现了驱鸟的智能化。
[0005]本发明的目的通过以下技术方案来实现：
一种基于YOLOv3的输电线路鸟类检测算法，其特征在于：该算法主要包括以下步骤：1）制作数据集，从杆塔固定位置的监控设备采集到的监控视频中，按照位置、季节、时间因素合理抽取单帧图像，将收集到的所有图像组成数据集，用Labellmg工具对收集到的图片进标注并以VOC数据的格式来存储，并对数据集进行分析和调整，并按比例随机划分为训练集和测试集，训练集用来模型训练，测试集用来测试训练后的模型，以保证模型的准确性和稳定性；
2）模型训练，使用划分好的训练集来训练改进的YOLOv3目标检测算法，在LOSS趋于稳定后选出合适的模型进行测试和评估，判断模型是否满足要求，最终选出最优模型；
3）图像采集，从监控视频中提取单帧图像，监控视频来自于输电线路杆塔上安装的监控装置，提取出的图像作为模型的输入进行鸟类识别；
4）鸟类识别并控制驱鸟器的启停，采用改进的YOLOv3目标检测算法对监控装置采集到的单帧图像进行鸟类检测，统计鸟类数目，判断是否达到驱鸟阈值，如果达到驱鸟阈值则启动驱鸟器，否则进行持续监控。
3
CN 1108841 A[0006]
说 明 书
2/3页
数据集的质量在一定程度上影响着深度学习算法的质量，所以合理的收集和制作
数据集尤为关键。从杆塔固定位置的监控设备采集到的监控视频中，按照位置、季节、时间等因素合理抽取单帧图像作为数据集，但是现实场景中负样本个数远远多于正样本，因此含有鸟类的图像较少，为了使模型具有较好的鲁棒性，在制作数据集时加入一些来自网络中且包含鸟类的图像，这样训练后的模型对不同场景下具有较好的适应能力。将收集到的所有图像组成数据集，用Labellmg工具对收集到的图片进标注并以VOC数据的格式来存储，并按比例随机划分为训练集和测试集，训练集用来模型训练，测试集用来测试训练后的模型，以保证模型的准确性和稳定性。
[0007]本发明提高了输电线路巡检的智能化水平，采用改进的YOLOv3算法对现场图像进行检测，实时、精确地检测当前场景鸟类数量，根据实际情况决定是否启动驱鸟器。随着深度学习在计算机视觉领域的发展，本发明将深度学习目标检测算法引入到对鸟类图像的检测中。
[0008]本发明的有益效果在于：本算法针对目前具有较好检测效果的YOLOv3算法进行了改进，使之更加适用于输电线路鸟类检测任务，针对输电线路鸟类的目标检测算法，并给出了该算法的训练和使用的方法。在原有YOLOv3目标检测算法中，采用多尺度融合的方式进行目标检测，对目标的尺度变化适应性较好，但是在输电线路鸟类检测任务中，从K-means算法聚类的结果中发现监控设备拍摄目标普遍较小，经常会出现多目标聚集和小目标的情况。因此需要对YOLO v3检测模型进行一些改进，从而适应特定的输电线路鸟类检测任务，同时为了提升运算速率保证任务的实时性，模型中仅提取两组多尺度特征对鸟类位置和类别进行预测，从而适应特定的输电线路鸟类检测任务。[0009]本算法相对于其他的算法，优势如下：
1）、可以指导驱鸟器的启停，避免驱鸟器长期处于运行状态对资源的浪费，以及驱鸟器周期性启动的盲目性，实现了驱鸟器的低耗能、精准性驱鸟，为输电线路的稳定运行提供了可靠保证；
2）、在雨雾等恶劣天气的影响下也基本满足输电线路鸟类检测任务所需的准确性和实时性要求；
3）、在相同的硬件设备上，本算法具有更快的运行速度。附图说明
[0010]图1是本发明实施方法整体流程示意图；
图2为本发明所述的特征提取网络图；
图3为本发明所述的多尺度特征提取方法结构图。
具体实施方式
[0011]为让本发明的特征和优点能更明显易懂，举例作详细说明如下。[0012]一种基于YOLOv3的输电线路鸟类检测算法，下面将以输电线路上鸟类的检测为例，说明算法的使用过程。算法的实施步骤包括：制作数据集、模型的训练、模型测试、实际场景应用。具体实施步骤如下：
步骤1 ：制作数据集。本例中将制作一个适用于输电线路上鸟类检测的数据集。
4
CN 1108841 A[0013]
说 明 书
3/3页
1）、采集图像。从杆塔固定位置的监控设备采集到的监控视频中，按照位置、季节、
时间等因素合理抽取单帧图像作为数据集；同时加入一些来自网络中复合实际场景且包含鸟类的图像；
2）、图像标注。使用labelImage图像标注工具，将采集到的图像中的所有鸟类目标都标注出来并以VOC数据的格式来存储，；
3）、数据集分析。对数据集中的正负样本数据量进行统计分析。包含目标物体的图像为正样本，不包含目标物体的图像为负样本；
4）、判断正负样本的比例是否小于1.5，若是二者的比例相差超过1.5，则进行5），否则进行6）；
5）、对正负样本进行调整。本例中，因为样本数据足够多，所以采取从数据集中将所占比例较多的那部分数据进行选择性的随机剔除，来平衡正负样本的数量；
6）、将数据集按照7:3的比例随机的划分为训练集和测试集两部分。[0014]步骤2：模型的训练。[0015]1）、对预选框大小进行聚类分析，采用k-means算法对标记好的数据集进行聚类分析，得到了六组预选框参数分别为：（20，51），（49，28），（45，43），（75，40），（61，），（53，81），这些参数为模型训练前的初始参数。[0016]2）、本例中没有使用迁移学习，所以，模型参数的初始化都是随机初始化的，设置批处理大小为，学习率为0.01，迭代次数为13000，动量为0.9，置信度阈值0.5，非极大值抑制阈值0.3，设置训练的结束条件，可以是训练次数，也可以是其他条件。如检测精度达到0.7，或者是误差降至某个特定的值；
3）、使用训练集的数据作为算法的输入；4）、使用随机梯度下降的方法来对算法进行训练；5）、在训练过程中，每100次迭代输出一个模型，在loss值趋于稳定后停止训练，并保存相应的模型。[0017]步骤3：模型测试
用测试集数据对步骤2中所述模型进行测试，通过mAP指标来判断模型优劣程度，最终选出测试结果最好的模型运用在实际场景中。[0018]步骤4：实际场景应用
1）、图像采集，从监控视频中提取出的单帧图像作为模型的输入；2）、鸟类识别，将采集到的图像作为模型的输入，采用改进的YOLOv3算法进行目标检测，从而得到鸟的位置信息；
3）、统计鸟类数目并启动驱鸟器，将得到的鸟类信息进行统计，计算鸟类数目，若鸟类数目大于设置的阈值则启动驱鸟器，若没有鸟或数目不及阈值则不启动驱鸟器。[0019]本发明适用于输电线路杆塔附近的鸟类检测，同时可适应恶劣天气环境对图像采集产生的影响，以低能耗的方式实现了驱鸟的智能化。
5
CN 1108841 A
说 明 书 附 图
1/2页
图1
6
CN 1108841 A
说 明 书 附 图
2/2页
图2
图3
7
