一种两阶段输电线路杆塔鸟巢检测方法及系统构

本发明属于电力系统异物入侵检测，涉及输电线路杆塔鸟巢入侵检测，尤其是一种两阶段输电线路杆塔鸟巢检测系统构建方法，所构建的检测系统根据鸟类容易在铁塔关键点部位筑巢的特点，通过先对铁塔关键点进行检测和分割，然后依据分割后的关键点图像进行鸟巢检测的技术。背景技术：1、当输电线路杆塔上有鸟巢时，鸟巢会对输电线路构成潜在的安全风险。鸟巢作为导体，会在雨天触发电力线跳闸。而鸟巢的树枝容易在干燥环境中着火或掉落到绝缘子上，导致绝缘子闪络。鸟类在窝附近的频繁活动增加了高压输电线路故障的概率。此外，鸟类往往会回到原来的窝筑巢。直接移除巢可能是无效的，并且可能会增加鸟类活动的频率，从而导致更危险的筑巢。2、因此，开发一个能对鸟巢进行智能检测的方法，对于保障输电线路安全工作和电网稳定运行有着重大意义。3、目前对于输电线路杆塔的鸟类风险分类研究主要基于过去鸟类引起的故障的统计分析、当地存在的鸟类物种以及季节气候等环境因素。然而，这些方法是长期的且只能近似地对塔架进行鸟类风险分类。而检测和定位塔架上的鸟巢可以为每座塔提供更直观和及时的鸟类风险评估。虽然传统的图像处理或卷积神经网络方法已被用于检测鸟巢，但这些方法主要集中在无人机图像上，而不是塔架全景图像，因此存在一些问题。首先，使用部分图像来确保及时评估鸟巢风险是低效和困难的。操作无人机手动拍摄塔架的每个部分是获取这些部分图像的唯一方法，这需要耗费时间，不能轻易应用于自动检查。其次，鸟巢在全景图像中占比较小，检测难度较大。最后部分图像只能检测到鸟巢在图像中的位置，而与鸟巢相关的风险因其在塔架上的位置而异。靠近绝缘子或在更高的高度上的鸟巢会带来更高的风险。4、综上所述，在城市高速化、现代化建设进程中，输电线路架设规模加大，工作环境更为复杂，现有的鸟类风险分类技术及方案存在严重技术痛点，其效率和数据管理无法满足日益增长的市场需求，亟待开发出一种适用于输电线路杆塔鸟巢智能检测的方法。技术实现思路1、本发明目的在于针对输电线路杆塔鸟巢入侵检测效率较低、效果差等问题，提供一种两阶段输电线路杆塔鸟巢检测系统构建方法，所构建的检测系统能够实现对输电线路杆塔鸟巢入侵进行高准确率、高效的检测。2、首先利用无人机全景图像，保持塔身结构信息的完整性；接着利用yolov5-pose进行关键点定位；然后利用fasternet确定各关键点图像中是否有鸟巢。本发明可实现输电线路塔的鸟巢进行检测，指导运维单位对鸟巢进行清理，从而减少安全隐患，对于电网安全运行具有重要意义。3、为了达到上述目的，本发明采取以下技术方案来实现。4、本发明所提供的两阶段输电线路杆塔鸟巢检测系统构建方法，包括以下步骤：5、s1对输电线路杆塔全景图像中的关键点进行标注，制作输电线路杆塔关键点数据集；6、s2利用输电线路杆塔关键点数据集训练输电线路杆塔关键点检测模型；7、s3对完成关键点标注的输电线路杆塔全景图像进行裁剪，并对裁剪后的输电线路杆塔图像有无鸟巢进行标注，制作输电线路杆塔鸟巢数据集；8、s4利用鸟巢数据集训练鸟巢检测模型；9、训练后的输电线路杆塔关键点检测模型和鸟巢检测模型组成两阶段输电线路杆塔鸟巢检测系统。10、上述步骤s1中，对采集的铁塔图像进行标注，主要标注铁塔的各个关键点位置，得到输电线路杆塔关键点数据集。该步骤包括以下分步骤：11、s11获取输电线路杆塔全景图像；12、s12对输电线路杆塔的关键点进行标注；13、s13将标注好的数据进行保存，得到输电线路杆塔关键点数据集，并将关键点数据集划分为训练集、验证集和测试集。14、上述步骤s11中，通过人工操作无人机对输电线路杆塔进行图像采集；需拍摄出包含完整塔的图像作为铁塔定位模型的输入图像。15、上述步骤s12中，采用labelme标注软件对输电线路杆塔图像进行标注，使用create point功能，即可进行关键点的标注。标注的关键点为输电线路杆塔主要骨架的连接点，鸟类在这些关键点处筑巢的可能性最大。除此之外，还可以对输电线路杆塔在图像中的位置以及种类进行标注。16、上述步骤s13中，将标注好的数据按照铁塔类型、铁塔位置以及关键点坐标保存为txt格式的文件，并按照7：1：2的比例分为训练集、验证集和测试集。17、上述步骤s2中，利用标注好的数据对输电线路杆塔关键点检测模型进行训练，提高模型的准确率。本发明采用yolov5-pose模型作为关键点检测模型，进行关键点检测。yolov5-pose在目标检测网络yolov5目标检测网络的基础上改进得来。该步骤包括以下分步骤：18、s21加载输电线路杆塔关键点数据集；19、s22通过关键点检测模型对输电线路杆塔的图像进行特征提取；20、s23利用损失函数和反向传播优化关键点检测模型参数。21、上述步骤s21中，按照训练集、验证集和测试集分别对数据进行读取。在读取数据集的过程中需要将数据打乱，并规定每个批次的大小，即batch_size的大小。22、上述步骤s22中，将加载好的数据输入到输电线路杆塔关键点检测模型中进行特征提取。23、上述步骤s23中，将关键点检测模型的检测结果与标注标签进行计算，求出损失值；损失函数的公式如下：24、25、式中，ltotal表示所有的损失，λ表示损失函数的加权，lcls表示分类损失，lbox表示框损失，lkpts表示关键点损失，lkpts_conf表示关键点的置信度损失。26、通过回传损失，利用adam优化器更新网络参数，提高模型的识别精度。27、上述步骤s3中，对完成关键点标注的输电线路杆塔全景图像进行裁剪，然后对其有无鸟巢进行标注。具体包括以下分步骤：28、s31以每个关键点为中心，对步骤s12中完成关键点标注的输电线路杆塔全景图像进行裁剪；29、s32对裁剪后的输电线路杆塔图像有无鸟巢进行标注；30、s33将标注好的数据进行保存，得到输电线路杆塔鸟巢数据集，并将鸟巢数据集划分为训练集、验证集和测试集。31、上述步骤s31中，对完成关键点标注的输电线路杆塔全景图像进行裁剪。以每个关键点为中心，长宽相等进行裁剪。32、上述步骤s32中，然后对裁剪的输电线路杆塔图像进行有无鸟巢的标注。如果有鸟巢的图像，则标注为1，没有鸟巢则标注为0。33、上述步骤s33中，将标注的数据导出，并最终保存为txt格式，得到鸟巢数据集，并按照7：1：2的比例分为训练集、验证集和测试集。34、上述步骤s4，利用标注好的鸟巢数据集对鸟巢检测模型进行训练，提高鸟巢检测模型的准确率。该步骤包括以下分步骤：35、s41加载鸟巢数据集；36、s42通过鸟巢检测模型对关键点裁剪图像进行特征提取；37、s43利用损失函数和反向传播优化鸟巢检测模型的参数。38、上述步骤s41中，按照训练集、验证集和测试集分别对数据进行读取。在读取数据集的过程中需要将数据打乱，并规定每个批次的大小，即batch_size的大小。39、上述步骤s42中，将加载好的数据输入到鸟巢检测模型中进行特征提取。本步骤中采用fasternet模型作为鸟巢检测模型，进行鸟巢检测。fasternet模型在传统fasternet网络基础上，将cbam模块引入fasternet块得到。fasternet块包括顺次设置的部分卷积层(partial convolution)、cbam模块和两个卷积层，两个卷积层之间设置有bn层和relu激活层；fasternet块的输入跳跃连接至输出。40、fasternet模型通过对输入图像进行部分卷积降低了模型的参数量和冗余计算，提高了模型运行速度。除此之外，fasternet通过数据的预处理以及在网络中使用bn(batchnormalization)层能够解决梯度消失或者梯度爆炸问题。41、为了提高fasternet模型对鸟窝检测的正确率，本发明提供的fasternet模型在传统fasternet网络中融合了注意力机制cbam。cbam模块通过沿着通道和空间两个独立的维度推断注意力图，然后将其与输入特征图相乘，以实现自适应特征优化。由于cbam是轻量级通用模块，因此可以忽略其开销，并将其无缝集成到任何cnn架构中，同时与基础cnn一起进行端到端训练。42、上述步骤s43中，将fasternet模型的检测结果与标注标签进行计算，求出损失值。在本发明中，输电线路杆塔鸟巢检测为一个图像二分类问题，故损失函数采用常见的二分类交叉熵损失函数，计算公式如下：43、44、其中，表示预测样本是正例(即有鸟窝)的概率，y是样本标签，如果样本属于正例，取值为1，否则取值为0。45、计算损失值后，通过adam优化器，更新模型参数，提高模型的识别精度。46、本发明还提供了一种两阶段输电线路杆塔鸟巢检测方法，利用上述方法构建的检测系统按照以下步骤进行：47、步骤一，将现场实时拍摄的图像输入至输电线路杆塔关键点检测模型，得到包含关键点的图像；48、步骤二，将包含关键点的图像进行裁剪；49、步骤三，将裁剪的图像输入至鸟巢检测模型，将图像检测结果输出，并将有鸟巢的关键点在输电线路杆塔上进行标注。50、上述步骤一中，将实时拍摄的输电线路杆塔图像输入到训练好的输电线路杆塔关键点检测模型，检测出输电线路杆塔的关键点。51、上述步骤二中，检测到的包含关键的图像以关键点为中心进行裁剪。52、上述步骤三中，将裁剪后的图像依次输入到训练好的鸟巢检测模型中，判断每个关键点是否有鸟巢存在。然后将图像检测结果的图像输出，并将有鸟巢的关键点所在输电线路杆塔上进行标注。53、与现有技术相比，本发明具有如下的有益效果：54、(1)本发明提供的两阶段输电线路杆塔鸟巢检测系统构建方法，首先构建关键点检测模型，再依据包含关键点的图像构建鸟巢检测模型；本发明利用鸟类总是在塔的关键位置筑巢的特点，通过探测塔的关键点来定位可能的鸟巢位置的方法，可以在高分辨率无人机全景图像中检测到占比小的鸟巢；55、(2)通过本发明，只要基于无人机全景图像，就能够识别塔上的鸟巢位置；此外，进行全景图像进行检测，可以尽量缩短对每座铁塔的拍摄时间，提高检测效率；56、(3)本发明利用yolov5-pose模型进行关键点检测，既可以判断塔的类型，也可以对输电线路塔关键点进行检测；除此之外，用yolo系列进行检测效率高；57、(4)本发明对fasternet网络进行改进，融合了cbam注意力机制，提高了对鸟窝检测的准确率；58、(5)本发明通过双阶段检测鸟巢，避免直接从输电线路杆塔全景图像检测占比较小的鸟巢，准确率较高；59、(6)本发明应用场景较为广泛，适用于各种类型的铁塔。