(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 202210976484.8 (22)申请日 2022.08.15 (71)申请人 贵州电网有限责任公司 地址 550002 贵州省贵阳市南明区滨河路 17号 (72)发明人 李洵　龙玉江　卫薇　舒彧　田钺　 甘润东　田月炜　钟掖　龙娜　 (74)专利代理 机构 贵阳中新专利商标事务所 52100 专利代理师 商小川 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/762(2022.01) (54)发明名称 一种输电线路防外破目标识别方法 (57)摘要 本发明公开了一种输电线路防外破目标识 别方法， 其特征在于： 所述方法包括： 步骤1、 对监 控系统获取到的原始图像采用Retinex增强算法 进行图像增强操作， 提升图像的对比度； 步骤2、 采用基于K ‑means和改进EfficientDet的目标检 测算法对增强后的 图像进行目标检测； 步骤3、 得 到目标检测检测的结果， 根据结果得出对应的异 物情况及类别； 解决现有技术对输电线路上异物 检测存在的对于输电线路上异物尺 寸差异大， 复 杂多变的特点无法达到较好的检测效果等技术 问题。 权利要求书3页 说明书8页 CN 115222727 A 2022.10.21 CN 115222727 A 1.一种输电线路防外破目标识别方法， 其特 征在于： 所述方法包括： 步骤1、 对监控系统获取到的原始图像采用Retinex增强算法进行图像增强操作， 提升 图像的对比度； 步骤2、 采用基于K ‑means和改进EfficientDet的目标检测算法对增强后的图像进行目 标检测； 步骤3、 得到目标检测检测的结果， 根据结果得 出对应的异 物情况及类别。 2.根据权利要求1所述的一种输电线路防外破目标识别方法， 其特征在于： 采用 Retinex增强算法进行图像增强操作的方法为： 设初始图像O等于光照图像E乘以反射图像 R， 用公式表示 为： O(x,y)＝R(x,y) ·E(x,y) Retinex的图像增强也就是从初始图像O中估算出光照 E， 对R进行分解， 在处理过程中， 图像会被转移到对数域， 即 o＝logO,e＝logE,r＝logR 将乘积关系转换成和的关系： 3.根据权利要求1所述的一种输电线路防外破目标识别方法， 其特征在于： 采用基于K ‑ means和改进EfficientDet的目标检测算法对增强后的图像进行目标检测的方法为： 在 EfficientDet算法的基础上融合K ‑means边界框聚类算法， 通过调整锚框的长宽比和损失 函数， 以优化训练时模型梯度方向更新的问题。 4.根据权利要求3所述的一种输电线路防外破目标识别方法， 其特征在于： 目标检测算 法的模型包括特征提取网络、 特征融合网络以及预测子网络； BiFPN特征融合用于处理检测 中目标的尺度变化问题， 在PA NET的基础上找到对特征融合贡献最小的节 点并进行去除； 同 时在每层的输入和输出之间采用跳跃连接的方式， 使不同尺度 的特征信息能够更好的融 合， 提高特 征的识别 利用效率。 5.根据权利要求4所述的一种输电线路防外破目标识别方法， 其特征在于： 优化锚框参 数后， 首先将图像送入EfficientNet骨干网络提取数据特征， 经过迭代下采样和通道维度 扩展， 得到P1、 P2、 P3、 P4、 P5五个特征层； P6和P7层是在对P5层进行两次下采样后得到的， P3、 P4、 P5、 P6和P7作为有效特征层， 然后将这五个有效特征层反复应用于BiFPN进行加权特 征融合； 为了准确预测目标的边界框， 在获得具有高级语义和空间信息的五个不同的有效 特征层后， EfficientDet将每个特征层 按大小分成N ×N个网格， 并以每个网格为锚点， 生 成 九个不同大小的锚框， 即预定义的边界框； 将分辨率为512 ×512的原始图像提取出来， 生 成 大小为8×8的特征图， 该特征层中的锚框数量为8 ×8×9＝576， 然后再次提取， 生 成大小为 4×4的特征图， 该层的锚框数量 为4×4×9＝144。 6.根据权利要求4所述的一种输电线路防外破目标识别方法， 其特征在于： 采用GHM ‑C 损失函数进行锚框分类， 采用GHM ‑R损失函数进行锚框回归， 计算损失之和并进行反向传 播， 完成网络对检测目标的拟合； 待检测的图像被送入拟合网络， 如果锚框包含待检测的目权　利　要　求　书 1/3 页 2 CN 115222727 A 2标且置信度较高， 则通过边界框的中心和宽高偏移量对预测结果进行回归， 并调整锚框的 中心和宽高坐标， 使其接近目标 的真实边界框； 利用非最大限度的抑制消除多余的边界框 后， 得到最终预测的边界框， 完成线路的识别和定位。 7.根据权利要求5所述的一种输电线路防外破目标识别方法， 其特征在于： 对预设锚定 框的长宽比进行重新设计， 利用K ‑means算法对输电线路监测图像数据集中的边界框进行 聚类， 聚类方法包括： (1)随机选择样本中的K个真实边界框当作初始化聚类中心， 也 就是anchor box； (2)分别计算样本中的所有真实边界框和K个anchor  box的距离， 最接近聚类中心的样 本被归入该类， 距离度量公式如(1)所示: Distanse(box,cent r)＝1‑IOU(box,cent r)   (1) 其中交并比为： IOU(box,cent r)＝Sbox∩centr/Sbox∪centr   (2) IOU(box,center)用来衡量 生成的聚类中心和真实边界框之间的重 叠程度， Sbox∩centr表示的是聚类中心与真实边界框相交的面积， Sbox∪centr是聚类中心与真实边界框合并的区域的面积； (3)计算簇中所有真实边界框参数的平均值并以此革 新簇心； (4)重复(2)和(3)， 直到 簇心不再发生变化， 完成了聚类； 所有聚类结果生成的K个簇心分别与所在簇中样本边界框的IOU的平均值就是聚类结 果的准确性。 8.根据权利要求3所述的一种输电线路防外破目标识别方法， 其特征在于： 所述损失函 数的构建方法包括： 引入了 GHM根据样 本的梯度参数分布重新构建模 型的损失函数， 以减弱 样本中易分和异常值对模型的影响， 其中分类采用GHM ‑C损失， 边界框回归采用GHM ‑R  Loss。 9.根据权利要求8所述的一种输电线路防外破目标识别方法， 其特征在于： 构建损失函 数的具体方法包括： 首先定义梯度范 数g： g值的大小用来定义样本分类的难易程度， 其中p∈[0,1]表示的是模型预测样本归于 其中一类的概率值， y∈{0,1}是样本的期望输出值梯度密度GD(g)被定义为权衡梯度参数 的样本数量， 即： 权　利　要　求　书 2/3 页 3 CN 115222727 A 3