一种基于深度学习的输电走廊山火识别方法

本发明涉及输电走廊山火识别，具体为一种基于深度学习的输电走廊山火识别方法。

背景技术：

1、输电走廊也称为输电线路走廊或高压线走廊，是指沿高压架空电力线路边导线，向两侧伸展规定宽度的线路下方带状区域。随着全球气候变化和人类活动的影响，输电走廊发生山火的频率和强度逐年增加，对电力系统的安全稳定运行构成了严重威胁。输电走廊一旦遭受山火影响，可能导致输电线路跳闸、铁塔烧毁等严重后果，甚至可能引发大范围的停电事故，给社会生产和人民生活带来巨大损失。因此，设计一种高效、准确的输电走廊山火识别方法，对于保障电力系统的安全稳定运行具有重要意义。

2、目前，传统的图像处理技术对于复杂输电走廊环境下的山火识别效果并不理想，难以满足实际应用的需求，具体缺陷如下：

3、1.现有技术采用传统机器学习算法，识别准确率低，容易出现漏检、错检；

4、2.现有技术对室外输电走廊场景等复杂的山火场景进行准确识别、分类和定位的能力有限。

5、因此，发明一种基于深度学习的输电走廊山火识别方法，能够利用深度学习技术强大特征提取和分类能力，实现对输电走廊的山火进行自动识别，通过训练深度学习模型，使其能够自动学习并识别山火的特征，从而实现对山火进行快速、准确识别，保障电力系统的安全稳定。

技术实现思路

1、鉴于上述和/或现有一种基于深度学习的输电走廊山火识别方法中存在的问题，提出了本发明。

2、因此，本发明的目的是提供一种基于深度学习的输电走廊山火识别方法，能够解决上述提出现有的问题。

3、为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

4、一种基于深度学习的输电走廊山火识别方法，其包括具体步骤如下：

5、s1：构建输电走廊山火图像数据集；

6、s2：对输电走廊山火图像数据集中的输电走廊山火图像进行特征增强；

7、s3：构建了一种基于深度学习的输电走廊山火识别模型，将输电走廊山火图像输入模型中，模型自动识别输电走廊图像中的山火；

8、s4：划分输电走廊山火图像数据集，训练并验证输电走廊山火识别模型；

9、s5：应用输电走廊山火识别模型。

10、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s1的具体流程为：

11、s11：收集输电走廊山火图像或使用公开的输电走廊山火图像数据集构建输电走廊山火图像数据集；

12、s12：将收集到输电走廊山火图像数据集通过人工进行标注，使用labelimg图像标注工具将输电走廊山火图像中的山火位置进行框选并标注其类别为山火。

13、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s2的具体流程为：

14、s21：将输电走廊山火图像数据集中的输电走廊山火图以rgb图像进行处理；

15、s22：通过提高图像中的r元素并降低g和b元素的值，对输电走廊山火图像数据集中的山火特征进行特征增强；

16、其中，处理计算公式如下：

17、r_adj(x,y)＝max(0,min(255,r_orig(x,y)×α)

18、g_adj(x,y)＝max(0,mmin(255,g_orig(x,y)×β)

19、b_adj(x,y)＝max(0,min(255,b_orig(x,y)×β)

20、其中r_orig(x,y)、g_orig(x,y)、b_orig(x,y)表示原始图像在(x,y)位置的r、g、b元素值，范围为0-255，r_adj(x,y)、g_adj(x,y)、b_adj(x,y)表示调整后图像在(x,y)位置的r、g、b元素值，α用于增加r元素的因子，是一个大于1的数，β用于降低g和b元素的因子，是一个0到1之间的数，提高r元素的值，能够显著增强图像中火焰的红色特征，使其更加突出和易于识别，同时，降低g和b元素的值则有助于减少背景和其他非火焰区域的干扰，进一步凸显火焰区域，提高整体图像的对比度，然后将图像的尺寸统一扩展或压缩为512×512×3，保证后续输入的图片尺寸一致。

21、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s3的具体流程为：

22、s31：设计一种dfm动态感知特征提取模块，通过双分支动态卷积操作，扩大输电走廊山火图像的细节特征感受野，从而更好地捕获到图像中的输电走廊山火信息，加强了模型对输电走廊山火的识别能力；

23、s32：设计一种df-sppf金字塔池化结构，以使df-sppf金字塔池化结构利用并行的空洞卷积分支对输电走廊山火图像特征进行提取，并通过池化操作将不同尺度的输电走廊山火图像特征融合，提高模型对不同尺度的输电走廊山火图像的山火识别能力；

24、s33：设计一种ad-head空洞检测头，以使ad-head空洞检测头在保持特征图尺寸的同时，增大每个卷积核的感受野，有助于从输入的特征图中提取更多上下文信息，并捕获到不同尺度的目标特征，使得ad-head空洞检测头能够提取到的丰富特征信息，从而提高检测精度和效率；

25、s34：利用s31设计的dfm动态感知特征提取模块、s32设计的df-sppf金字塔池化结构、s33设计的ad-head空洞检测头提出一种输电走廊山火识别模型，通过输入输电走廊山火图像，自动识别并定位图像中的山火。

26、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s31的具体流程为：

27、s311：输入尺寸为h×w×c的输电走廊山火特征图t1到卷积核个数为c，大小为3×3，填充值为2的cbs模块中，得到尺寸为h×w×c输电走廊山火特征图t2；

28、s312：将尺寸为h×w×c的输电走廊山火特征图t2，沿通道分裂得到尺寸为h×w×c/2的输电走廊山火特征图t3和t4；

29、s313：将输电走廊山火特征图t3进行平均池化操作后输入动态卷积中，接着进行bn批归一化操作后使用swish激活函数进行非线性变换，然后将结果输入gam中得到尺寸为h×w×c/2的输电走廊山火特征图t5；

30、t5＝gam(swish(bn(dconv(avgpooling(t3)))

31、其中avgpooling表示平均池化操作，dconv表示动态卷积，bn表示批归一化，gam表示全局注意力机制；

32、s314：将输电走廊山火特征图t4进行最大池化操作后输入至动态卷积中，接着进行bn批归一化操作后使用swish激活函数进行非线性变换，然后输入gam中得到尺寸为h×w×c/2的输电走廊山火特征图t6；

33、t6＝gam(swish(bn(dconv(avgpooling(t4)))

34、其中maxpooling表示最大池化操作，dconv表示动态卷积，bn表示批归一化，gam表示全局注意力机制；

35、s315：将尺寸为h×w×c/2的输电走廊山火特征图t5和t6沿通道进行叠加，得到尺寸为h×w×c的输电走廊山火特征图t7，将t7输入到卷积核个数为c，大小为3×3，填充值为2的cbs模块中，得到并输出尺寸为h×w×c的输电走廊山火特征图t8。

36、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s32的具体流程为：

37、s321：输入尺寸为h×w×c的输电走廊山火特征图a1到三个不同分支中，在第一分支中a1经过卷积核个数为c，大小为3×3，填充值为2，扩展率为2的空洞卷积进行计算，然后将结果依次输入到bn批归一化层和relu激活函数中得到尺寸为h×w×c输电走廊山火特征图a2，在第二分支中a1经过卷积核个数为c，大小为3×3，填充值为2，扩展率为4的空洞卷积进行计算，然后将结果依次输入到bn批归一化层和relu激活函数中得到尺寸为h×w×c输电走廊山火特征图a3，在第三分支中a1经过卷积核个数为c，大小为3×3，填充值为2，扩展率为6的空洞卷积进行计算，然后将结果依次输入到bn批归一化层和relu激活函数中得到尺寸为h×w×c输电走廊山火特征图a4；

38、a2＝relu(bn(dlconvr＝2(a1)))

39、a3＝relu(bn(dlconvr＝4(a1)))

40、a4＝relu(bn(dlconvr＝6(a1)))

41、其中dlconvr＝2、dlconvr＝4、dlconvr＝6分别表示扩展率为2、4、6的空洞卷积计算，bn表示批归一化，relu为激活函数；

42、s322：将尺寸为h×w×c的输电走廊山火特征图a2、a3、a4沿通道进行叠加得到尺寸为h×w×3c的输电走廊山火特征图a5，然后将a5输入到卷积核个数为c，大小为3×3，填充值为2的cbs模块中，得到尺寸为h×w×c的输电走廊山火特征图a6；

43、a5＝concat(a2、a3、a4

44、其中concat为沿通道进行叠加操作；

45、s323：将a6输入到连续3层最大池化层，依次得到尺寸为h×w×c的输电走廊山火特征图a7、a8、a9，将尺寸为h×w×c的输电走廊山火特征图a6、a7、a8、a9沿通道进行叠加得到尺寸为h×w×4c的输电走廊山火特征图a10，然后将a10输入到卷积核个数为c，大小为3×3，填充值为2的cbs模块中，得到并输出尺寸为h×w×c输电走廊山火特征图a11；

46、a7＝maxpooling(a6)

47、a8＝maxpooling(a7)

48、a9＝maxpooling(a8)

49、a10＝concat(a6、a7、a8、a9)。

50、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s33的具体流程为：

51、s331：输入尺寸为h×w×c的输电走廊山火特征图l1到卷积核个数为c，大小为3×3，填充值为2的cbs模块，得到尺寸为h×w×c的输电走廊山火特征图l2；

52、s332：将l2输入至三个分支中，在第一分支中，l2首先经过卷积核个数为c，大小为3×3，填充值为2的cbs模块得到尺寸为h×w×c的输电走廊山火特征图l3，然后将l3输入到卷积核个数为c，大小为1×1的二维卷积层中得到h×w×c的输电走廊山火特征图l4，l4经过计算得到输电走廊山火特征图像的目标类别；

53、s333：在第二分支中，l2输入至卷积核个数为c，大小为3×3，扩展率为2的空洞卷积中再进行bn批归一化和relu激活函数函数运算，得到尺寸为h×w×c输电走廊山火特征图l5，在第三分支中，l2输入至卷积核个数为c，大小为3×3，扩展率为4的空洞卷积中再进行bn批归一化和relu激活函数函数运算，得到尺寸为h×w×c输电走廊山火特征图l6，将l2和l6进行特征相加得到尺寸为h×w×c的输电走廊山火特征图l7，接着将l7输入到两个分支，在上分支中l7输入到卷积核个数为4，大小为1×1的二维卷积层中得到尺寸为h×w×4的输电走廊山火特征图l8，l8经过计算得到输电走廊山火特征图像的山火目标回归框，在下分支中l7输入到卷积核个数为1，大小为1×1的二维卷积层中得到尺寸为h×w×1的输电走廊山火特征图l9，l9经过计算得到输电走廊山火特征图像的山火目标置信度。

54、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s34的具体流程为：

55、s341：输入一张尺寸为512×512×3的输电走廊山火图像f1到卷积核个数为64，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为256×256×64输电走廊山火特征图f2，再将f2输入到卷积核个数为128，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为128×128×128输电走廊山火特征图f3；

56、s342：将f3输入卷积核个数为256，大小为3×3，步长为2，填充值为1的cbs模块中，接着输入到dfm动态感知特征提取模块进行特征提取，得到尺寸为64×64×256输电走廊山火特征图f3和尺寸为64×64×256输电走廊山火特征图f4，将f4输入卷积核个数为512，大小为3×3，步长为2，填充值为1的cbs模块中，接着输入到dfm动态感知特征提取模块进行特征提取，得到尺寸为32×32×512的输电走廊山火特征图f5，将f5输入卷积核个数为512，大小为3×3，步长为2，填充值为1的cbs模块中，接着输入dfm，得到尺寸为16×16×512的输电走廊山火特征图f6，将f6输入到df-sppf金字塔池化结构中得到尺寸为16×16×512输电走廊山火特征图f7；

57、s343：将f7进行上采样操作得到尺寸为32×32×512的输电走廊山火特征图f8，将f5和f8沿通道进行叠加后输入dfm动态感知特征提取模块得到尺寸为32×32×1024的输电走廊山火特征图f9；

58、s344：将f9进行上采样操作得到尺寸为64×64×512的输电走廊山火特征图f10，将f4和f10沿通道进行叠加后输入dfm动态感知特征提取模块得到尺寸为64×64×768的输电走廊山火特征图f11；

59、s345：将f11输入卷积核个数为256，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为32×32×256输电走廊山火特征图f12，将f9和f12沿通道进行叠加后输入dfm动态感知特征提取模块得到尺寸为64×64×1280的输电走廊山火特征图f13；

60、s346：将输电走廊山火特征图f13输入卷积核个数为512，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为32×32×512的输电走廊山火特征图f14，将f8和f14沿通道进行叠加后输入dfm动态感知特征提取模块得到尺寸为32×32×1024的输电走廊山火特征图f15；

61、s347：将输电走廊山火特征图f11输入卷积核个数为256，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为32×32×256的输电走廊山火特征图f16，将输电走廊山火特征图f13输入卷积核个数为512，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为16×16×512的输电走廊山火特征图f17，将输电走廊山火特征图f15输入卷积核个数为1024，大小为3×3，步长为2，填充值为1的cbs模块中，得到尺寸为8×8×1024的输电走廊山火特征图f18；

62、s348：将输电走廊山火特征图f16、f17、f18输入到ad-head空洞检测头中，得到并输出山火识别结果，其山火识别结果包括图像中山火的目标类别、回归框和置信度。

63、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s4的具体流程为：

64、s41：将在s1中构建的输电走廊山火图像数据集按4：1划分训练集、验证集，并对s3构建的输电走廊山火识别模型进行训练；

65、s42：初始化所有神经网络参数，并设置模型相关的训练参数，将训练集和验证集数据划分为多个批次，每次将一批次的训练集数据输入到算法当中进行训练，得到该批次的训练损失值；

66、s43：将验证集按批次输入至模型，得到相应批次损失值，根据每次的批次损失值情况自动学习并进行参数调整，直至批次损失值趋于收敛时，输电走廊山火识别模型训练完成。

67、作为本发明所述的一种基于深度学习的输电走廊山火识别方法的一种优选方案，其中：所述s5的具体流程为：

68、s51：在输电走廊山火识别模型训练完成后将模型集成到现有的输电走廊监测系统中，确保模型能够实时接收输电走廊区域的图像或视频数据；

69、s52：在系统中设置适当的告警阈值，当模型识别到山火风险置信度超过阈值时，自动触发告警机制，将识别出山火的时间、输电走廊区域位置信息通过邮件和短信的方式发送给输电走廊安全保障人员，从而能及时有效地保证电力系统的安全稳定。

70、与现有技术相比：

71、本发明通过多层次特征图信息提取，使得模型能够更准确地提取山火特征从而有效提升了在复杂的输电走廊环境下的山火识别准确率，并且通过不断的学习和训练，可以进一步提高山火识别的准确性和效率。