(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919911.9 (22)申请日 2022.08.01 (71)申请人 国网河北省电力有限公司超高压分 公司 地址 050000 河北省石家庄市新 华区钟盛 路66号 申请人 国家电网有限公司 (72)发明人 杨学航　马昊　齐黎立　杨阳　 苑泽鑫　严翔　高章林　吕潇　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 专利代理师 黄敬霞 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/30(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06T 7/00(2017.01) (54)发明名称 一种基于深度学习的架空输电线路监拍图 像检测方法 (57)摘要 本发明涉及架空输电线路图像识别技术领 域， 且公开了一种基于深度学习的架空输电线路 监拍图像检测方法， 包括如下步骤： S1.建立训练 数据集及测试数据集： S2.把训练样本输入到 RFBS‑SRGAN模型中进行训练， S3.将生成的高分 辨率图像输入到DH ‑YOLOv5模型中进行训练， 通 过模型中的输入端数据增强、 主干网络、 颈部网 络、 解耦头和预测层逐级进行处理； S4.在达到最 终训练结束的20代之前， 使用Mosaic和Mixup两 种数据增强方式， 对照片做色彩， 翻转， 缩放， 随 机两张样 本按比例混合等图像增强操作， 从而输 出特征预测 信息。 本发明科学合理， 适应性强， 实 用价值高， 可为输电线路运维等相关人员提供参 考。 权利要求书2页 说明书10页 附图2页 CN 115240057 A 2022.10.25 CN 115240057 A 1.一种基于深度学习架空输电线路监拍图像检测方法， 其特征在于， 包括如下步骤： S1.建立训练数据集及测试数据集； S2.把训练样 本输入到RFBS ‑SRGAN模型中进行训练； S3. 将生成的高分辨率图像输入到DH ‑YOLOv5模 型中进行训练， 通过模 型中的输入端数据增强、 主干网络、 颈部网络、 解耦头和预测层逐级进 行处理； S4.在达到最 终训练结束的20代之前， 使用两种 数据增强方式， 对照片做随机两张样本按比例混合图像增强操作， 解耦头在原三 个耦头的CBL之后分别分支两个CBL池， 每个CBL后的上CBL池通过卷积层与 sigmoid连接输 出一个分支， 下CBL池分为两个 分支， 上分支 通过卷积层与sigmoid连接， 下分支只通过卷积 层输出， 最后Concat张量拼接进行融合， 将预测目标框的有无包含目标obj_outp ut， 预测目 标框的坐标reg_output， 预测目标框类别cls_output三个分支输入到Reshape层， 从而输出 特征预测信息 。 2.根据权利要求1所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： S1具体步骤为： 从输电线路通道的可视化系统中随机选取抓拍照片1500张照片作 为训练集， 然后从 中任意选取500张照 片作为测试集， 根据输电线路通道隐患识别目标将训 练样本中的目标分为 吊车、 钩机等大型机械和风筝、 塑料布、 防尘网等小目标物体， 通过人 工手动的方法按照不同的场景、 天气、 光照等进行样本标记， 准备训练； S2训练过程中， 在Trunk ‑RFB模块中3 ×3尺寸的大内核， 替换为多个小核1 ×1、 1×3、 3 ×1分支池组合， 根据输入图像中各种尺寸目标， 应用不同的尺寸的卷积多分支池内核进 行 图像偏移 量控制， 恢复高频细节同时保持 内容一致性， 降低模 型的计算复杂度,经过训练优 化的模型， 最终生成高分辨 率图像； Trunk‑RFB模块由不同尺度的卷积滤波器组成， 该模块 中第m个感受野残差密集块定义 为 下式是Trun k‑RFB模块的输出。 3.根据权利要求2所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述Tru nk‑RFB模块由10个Residual  of Receptive Field Dense Blocks(RRFDB) 堆叠而成， 每 个RRFDB包含6个RFB Trunk‑RFB模块的输出xRRFDB反馈到单个的感受野模块和上采样模块， 同时， 在判别器中 通过引入谱归一化层， 约束 各个残差模块的权重矩阵， 有效解决对抗网络训练不稳定， 锐化 过度及伪影问题， 最后通过全连接层并使用Sigmo id激活函数， 获得输入图像的识别概 率。 4.根据权利要求3所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述Trun k‑RFB模块的输出判别器的为下式： D(x)＝Wx+b 其中W为对抗网络的参数矩阵， b为偏置项， 在邻域 δ 内， 当输出满足下式时： σ(W)即W的谱 归一化。 5.根据权利要求1所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述颈部网络由自上而下的特征金字塔结构FPN上采样和自下而上 的金字塔注意权　利　要　求　书 1/2 页 2 CN 115240057 A 2力网络PAN下采样结构组成。 6.根据权利要求1所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述D H‑YOLOv5模 型的损失函数由定位分支损失、 类别分支损失及目标判别损失三 部分构成。 7.根据权利要求6所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述定位分支损失采用预测框与真实框的欧式距离损失函数训练框的位置与大小 信息， 类别分支与目标存在性判别分支采用每个目标单独进行二分类交叉熵损失函数训 练。 8.根据权利要求6所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： 所述DH ‑YOLOv5模型的损失函数为： 式中， K为边框的尺寸， M为边框数量； 和 表示第i个网格的第j个边框是否为目 标检测对象； (xi,yi,wi,hi)和 为所预测目标框的位置与大小信息坐标和真实 目标框的坐标。 9.根据权利要求8所述的一种基于深度学习的架空输电线路监拍图像检测方法， 其特 征在于： Ci和 为第i个框存在物体的预测置信度和真实置信度； pi(c)和 为物体属 于c类的预测概率和真实概率， λnoobj为目标物体存在性判别损失系 数， λcoord为目标框判别 坐标损失系数。 10.根据权利要求1所述的一种基于深度学习的架 空输电线路监拍图像检测方法， 其特 征在于： 两种数据增强方式包括Mosaic和Mixup； 对照片做色彩， 翻转， 缩放， 随机两张样本 按比例混合图像增强操作。权　利　要　求　书 2/2 页 3 CN 115240057 A 3