一种基于改进yolo_v3的鸟巢隐患检测方法
技术领域
本发明涉及图像识别领域，具体涉及到一种基于改进yolo_v3的鸟巢隐患检测方法。
背景技术
目标检测是计算机视觉领域的基本任务之一，目前已从学术界的研究发展至工业界的应用。近些年随着深度学习技术的快速发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
目前针对输电线路铁塔上鸟巢隐患进行有效检测与识别的方法是基于HSV颜色特征量方法。基于HSV颜色特征量原理是搜索符合鸟巢样本的HSV颜色特征量的连通区域，作为候选的鸟巢区域，分析候选鸟巢区域的形状特征参数，描述鸟巢粗糙度的灰度方差特征量，描述鸟巢纹理的惯性矩特征量，具体如图1所示。由于能够搜集到的鸟巢样本数据有限，即可以比对的标准数据特征量有限，且采集和计算出的HSV颜色特征量和实际分布有偏差，导致这种方法存在两个问题：（1）容易出现较多的多检（例如树林中的鸟巢）和误检（例如将颜色相近的土推判定为鸟巢）；（2）容易将铁塔区域外的鸟巢也判定为隐患。
发明内容
为解决上述现有技术中的问题，为避免鸟巢造成的输电线路跳闸事件提供支撑，本发明提供了一种基于改进yolo_v3的鸟巢隐患检测方法。
本发明的技术解决方案是：
一种基于改进yolo_v3的鸟巢隐患检测方法，包括信息采集步骤，信息分析步骤，以及监控报警步骤，所述信息采集步骤为通过无人机获取高清图像，所述信息分析步骤为通过计算机对所述图像进行识别分析，所述监控报警步骤为对所述信息分析步骤得到的结果进行展示并报警。
本发明的有益效果是：通过改进yolo_v3的鸟巢对图像识别，对鸟巢、铁塔进行定位及综合判断，从而大幅降低了鸟巢的多检和误检，提高了真正对输电线路安全有威胁的鸟巢隐患的检出几率，为避免鸟巢造成的输电线路跳闸事件提供支撑。
进一步的，所述信息分析步骤为采用改进yolo_v3算法对所述图像进行识别分析。
进一步的，所述信息分析步骤还包括以下步骤：
S1：基于输电线路铁塔上鸟巢图像数据的分布特点，提出一种改进yolo_v3模型；
S2：无人机拍摄高清图像，并将该图像输入S1中得到的改进yolo_v3模型；
S3：将S2中得到的图像划分成为S×S的格栅，并判断每个格栅中是否存在物体的中心；
S4：每个格栅负责检测中心落在该格栅内的物体的坐标位置、类别、准确度，得到鸟巢位置信息、铁塔位置信息。
S5：逻辑判断，即根据S4中检测得到的鸟巢位置信息、铁塔位置信息，判断是否存在鸟巢隐患。
进一步的，所述步骤S3中的改进yolo_v3采用适用于高分辨率、大感受野骨干网络的空洞卷积。
进一步的，所述步骤S3中的格栅为 6×6的格栅。
进一步的，所述步骤S4中，当检测得到鸟巢位置信息位于铁塔位置信息以内时，将此鸟巢判断为鸟巢隐患，所述监控报警步骤报警。
进一步的，所述步骤S4中检测得到的准确度≥70%时，启动步骤S5；所述步骤S4中检测得到的准确度≤50%时，不启动步骤S5；所述步骤S4中检测得到的准确度在50%-70%之间时，将重复检测过程，重复检测3次，取3次检测准确度的平均值，若平均值≥50%，则启动步骤S5。
本发明基于计算机视觉技术进行图像识别，对输电线路铁塔上的鸟巢进行检测，提高了鸟巢的检出几率，为避免鸟巢造成的输电线路跳闸事件提供支撑。
附图说明
图1是本发明现有技术的示意图。
图2是本发明实施例的流程示意图。
图3是本发明实施例中信息分析步骤的流程图。
图4是本发明实施例中改进yolo_v3的结构图。
图5是本发明实施例中信息分析步骤组成示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例中，如图2和图3所示：一种基于改进yolo_v3的鸟巢隐患检测方法，包括：
信息采集步骤：通过无人机获取视频，所述无人机可以调节镜头焦距，并依据现场环境调整其拍摄位置，从而提供高质量的待检图像。
信息分析步骤：通过计算机对所述视频进行识别分析，这是核心步骤，主要是对信息采集步骤得到的图像进行处理。将无人机拍摄到的图像存储并输入改进yolo_v3进行识别分析，当分析得到的结果落入预先设置好的视为有鸟巢隐患发生的参数范围内时，启动监控报警步骤。该步骤可以通过一台高性能的服务器来实现。
监控报警步骤：对所述信息分析步骤得到的结果进行展示并报警。监控管理步骤是人机交互的步骤，可以将信息分析步骤的结果以图像形式展现出来，并发出声音示警。
实施例中，如图4和5所示，所述信息分析步骤为采用YOLO算法对所述视频进行识别分析，包括以下步骤：
S1：基于输电线路铁塔上鸟巢图像数据的分布特点，提出一种改进yolo_v3模型；
S2：无人机拍摄高清图像，并将该图像输入S1中得到的改进yolo_v3模型；
S3：将S2中得到的图像划分成为S×S的格栅，并判断每个格栅中是否存在物体的中心；
S4：每个格栅负责检测中心落在该格栅内的物体的坐标位置、类别、准确度，得到鸟巢位置信息（1）、铁塔位置信息（2）。
S5：逻辑判断，即根据S4中检测得到的鸟巢位置信息（1）、铁塔位置信息（2），判断是否存在鸟巢隐患。
当所述步骤S1采用适用于高分辨率、大感受野骨干网络的空洞卷积可更加准确判断目标的位置和语义特征。
当所述步骤S2中格栅为6×6的格栅时，检测的准确度较高。
当所述步骤S4中，由步骤S3检测得出图像内同时存在铁塔和鸟巢，并且判断得出鸟巢位于铁塔内，则视为鸟巢隐患存在。具体的，所述步骤S4中所述鸟巢与铁塔的交并面积大于鸟巢面积的80%时，判定此鸟巢位于铁塔内，所述监控报警步骤启动并报警。
实施例中，由于光线、遮挡物、天气等因素的影响，导致所述步骤S4中的格栅在检测落在该格栅内的物体信息时，存在误差，准确率达不到100%。经过实验得出，所述步骤S4中检测得到的准确度≥70%时，启动步骤S5；所述步骤S4中检测得到的准确度≤50%时，不启动步骤S5；所述步骤S4中检测得到的准确度在50%-70%之间时，将重复检测过程，重复检测3次，取3次检测准确度的平均值，若平均值≥50%，则启动步骤S5。
显然，本发明的上述实施例仅仅是为了说明本发明所作的举例，而并非对本发明的实施方式的限定。属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。
