【CN110084166A】基于深度学习的变电站烟火智能识别监测方法【专利】

(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 (43)申请公布日 (21)申请号 201910319875.0

(22)申请日 2019.04.19

(71)申请人 山东大学

地址 250199 山东省济南市历城区山大南

路27号

(72)发明人 聂礼强　宋雪萌　王英龙　战新刚　

姚一杨　姚福宾　

(74)专利代理机构 济南金迪知识产权代理有限

公司 37219

代理人 陈桂玲

(51)Int.Cl.

G06K 9/00(2006.01)

(54)发明名称

基于深度学习的变电站烟火智能识别监测

方法

(57)摘要

本发明公开一种基于深度学习的变电站烟

火智能识别监测方法，通过针对变电站实际场景

进行视频识别模型和图像识别模型的改进优化，

紧接着融合两种改进之后的模型框架，尽可能多

地避免二者的劣势，发挥出二者各自的优势，设

计一种更加合理灵活的检测方法：平时利用图像

识别模型进行监控，在检测到烟雾之后，自动调

用视频识别模型进行二次复验，核验准确后再向

监控平台发出报警信号，可以有效完成检测预警

工作。权利要求书3页 说明书9页 附图3页CN 110084166 A 2019.08.02

C N 110084166

A

1.基于深度学习的变电站烟火智能识别监测方法，其特征在于，包括以下步骤：

S1：对收集到的烟雾图像进行预处理并且构建图像模型数据集；

S2：对收集到的烟雾和非烟雾视频进行预处理并且构建视频模型数据集；

S3：基于目标识别yolov3算法框架进行改进优化，利用图像模型数据集训练迭代，完成图像识别模型的构建和训练；

S4：利用视频模型数据集训练伪三维卷积残差网络，结合时域和频域信息提取烟雾的高维特征表征信息，完成视频识别模型的构建和训练；

S5：通过rtsp协议进行视频取流并进行定时抓图，随后对得到的图像进行预处理操作，预处理之后将所处理后的图像送入所述图像识别模型：当检测到烟雾存在时，则自动调用视频识别模型进行二次复检，核验检测结果。

2.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S1中对收集到的烟雾图像进行预处理如步骤S11；构建图像模型数据集的步骤如步骤S12-S13；

S11：自制图像数据集，收集整理监控设备拍摄的待处理的烟雾图像，应用gamma算法调整图像亮度和对比度，应用高斯滤波来减少噪声的干扰；

S12：利用旋转、反射变换、尺度变换等数据增强技术来丰富图像训练集，增加数据样本数量；

S13：利用标记工具对整理好的图像数据进行标记，生成yolo格式的标注文件。

3.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S2具体包括如下步骤：

S21：自制视频数据集，选取一定室内和室外场景进行人工生烟，利用监控摄像头进行拍摄，同时也拍摄一定量的无烟雾视频也作为训练数据；

S22：对拍摄的数据进行预处理，利用中值滤波进行噪声滤除；

S23：对视频数据进行隔帧抽取并利用标记工具标注，生成VOC格式的标注文件。

4.根据权利要求1所述的基于深度学习的变电站烟火智能识别监测方法，其特征在于，所述步骤S3中的具体步骤如下：

S31：网络的特征提取部分：利用darknet -53网络作为基础网络，主要包括B1和B2两个子单元，其中B1包括1个卷积层、1个BN层、1个LeakyRelu层，B2包括1个填充层、1个B1单元和1个Compose组合单元，其中Compose组合单元包含N个B1单元构成的残差网络；

S32：网络的采样输出部分：对图像的特征进行上采样和连接，之后输出，该部分的输入是darknet -53的输出；

S33：准确定位的公式如下：

b x ＝σ(t x )+

c x

b y ＝σ(t y )+c

y

Pr(object)*IOU(b,object)＝σ(t o )

上述公式中，(t x ，t y )表示边界框的中心横纵坐标；(c x ,c y )表示网格的左上角坐标；(t w ，

权　利　要　求　书1/3页2CN 110084166 A