(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 202210531825.0 (22)申请日 2022.05.17 (71)申请人 国家电网有限公司 地址 100033 北京市西城区西长安 街86号 申请人 国网吉林省电力有限公司通 化供电 公司 (72)发明人 褚建伟　马骏　王宝健　王雷　 丁宇　沈忠禹　杨红柳　张博　 张玉婷　王万鑫　 (74)专利代理 机构 通化旺维专利商标事务所有 限公司 2 2205 专利代理师 王伟 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 20/40(2022.01) H04N 7/18(2006.01) (54)发明名称 一种基于摄像头巡检路径的视 觉监测方法 (57)摘要 本发明提出了一种基于摄像头巡检路径的 视觉监测方法， 包括： 设置摄像头固定巡检 路线， 对每一路径采集图像帧数据， 进行预处理， 挑选 满足条件的图像数据； 利用已训练的深度卷积网 络模型提取预处理后图像的特征值， 对数据进行 训练识别； 分析数据， 对危险信号进行预 警， 并将 结果反馈于管理人员。 本发现提出的基于摄像头 巡检路径的视觉监测方法可以有效的完成视觉 上对输电塔及其周围事物进行监测， 提高输电线 路巡检的高效性和安全性。 本发 明利用深度学习 卷积网络计算的特征来代替传统人工巡检， 具有 高精度、 高可靠性和鲁棒性强的优点， 降低人力 和物力成本。 适用于面向输电塔线路巡检摄像头 实时监测输电塔及其周围事物任务的应用需求。 权利要求书1页 说明书3页 附图1页 CN 114898291 A 2022.08.12 CN 114898291 A 1.一种基于摄像头巡检路径的视觉监测方法， 对输电塔上的摄像头在固定巡检路线中 拍摄的图像进行输电塔及其周围事物的实时监测， 其特 征在于， 监测步骤 包括： 步骤S1， 对摄像头进行巡检路线的设置， 包括沿输电线方向， 输电塔方向和输电塔周围 三条摄像头巡检路线； 步骤S2， 在三条摄像头的巡检路线上， 进行图像数据采集， 对采集到的图像进行预处 理， 评估图像的清晰度， 将满足清晰度条件的图像， 统一图像尺 寸， 前期数据输入步骤S 3， 在 获得足够多的图像帧数据后， 数据输入步骤S5； 步骤S3， 从步骤S2的视频数据中， 按一定时间间隔获取图像帧数据， 建立输电塔及其周 围事物的数据集； 将数据集输入步骤S4； 步骤S4， 利用深度卷积网络提取的特征值训练模型； 其中， 训练模型采用深度 学习卷积 网络VGG 16算法主网络， 提取 数据库中图片特 征图， 形成特 征值金字塔； 步骤S5， 将步骤S2采集到的数据利用步骤S4训练好的模型进行识别； 将候选区域映射 到特征图， 输出候选区域的检测结果； 网络的输入为步骤S2输出的图像， 输出为检测 后的图 像信息， 及输电塔及其周围事物检测结果， 将结果输入步骤S6； 步骤S6， 通过规范对检测结果进行分析， 判断其危险程度， 对危 险信号及时发出预警， 并反馈于管理人员。 2.根据权利要求1所述的基于摄像头巡检路径的视觉监测方法， 其特征在于， 所述的步 骤S1中， 摄像头的巡检路线可以根据需求进行编程， 可以自主设定巡检路线和 每条线路的 巡检时间， 灵活可变。 3.根据权利要求1所述的基于摄像头巡检路径的视觉监测方法， 其特征在于， 所述的步 骤S2、 S3中， 可根据具体的需要设定采集图像的间隔， 采用视频图像抽帧的方式， 实现对监 控视频的实时分析。 4.根据权利要求1所述的基于摄像头巡检路径的视觉监测方法， 其特征在于， 所述的步 骤S4中， 深度卷积网络包括特征提取网络、 区域建议网络、 特征金字塔网络以及目标区域池 化层、 分类和回归层； 特征提取网络卷积神经网络采用ResNet101残差网络结构， 其中包括 卷积层、 激活层和池化层。 5.根据权利要求1所述的基于摄像头巡检路径的视觉监测方法， 其特征在于， 所述的步 骤S6中， 可实现对监测结果的实时记录， 出现异常结果可及时报警反馈 。权　利　要　求　书 1/1 页 2 CN 114898291 A 2一种基于摄像头巡检路径的视觉监测方 法 技术领域 [0001]本发明涉及机器视觉技术、 数字图像处理技术及模式识别技术领域， 特别涉及一 种面向输电塔及其周围事物巡检的实时检测方法， 即一种基于摄像头巡检路径的视觉监测 方法。 背景技术 [0002]电力是现代社会最重要的能源之一， 我国幅员辽阔， 能源分布极不均衡， 电力运输 需要依靠输电塔和高压输电线， 对于输电线路的巡检是保证电网正常运作的重要一环， 及 时更换达到使用寿命的零部件， 保证输电线路和输电塔周围无异物是极其重要的。 提前预 防， 避免发生重大事故。 受到各种条件限制， 输电塔和输电线路通常是翻山越岭， 远离城市 地方， 这就对输电线路的日常检测有很大的挑战， 目前， 我国对输电线路的日常检测还是依 靠人力去完成的， 巡线工人经常要在荒郊野外进 行爬塔作业， 这不仅耗时耗力， 而且具有一 定的危险性。 [0003]为解决上述缺陷， 研究人员将目光投入到了机器学习， 并提出了有效的检测方法， 目前基于卷积神经网络的检测方法被广泛使用， 基于卷积神经网络的方法优点在于它是一 种端到端学习损伤特征 的方法， 而不是依赖于提取 的特征。 在此基础上还提出了一种 快速 的基于区域的卷积神经网络的多重损伤检测的方法。 研究结果表明， 基于一种快速的基于 区域的卷积神经网络的快速检测方法在自动识别和定位多重损伤时， 其性能要优于卷积神 经网络。 [0004]在本研究中， 提出了一种基于快速的基于区域的卷积神经网络的输电塔防及 其周 围事物的检测方法， 这种通过摄像头+人工智能配合人工巡检， 将极大的改变日常巡检的工 作模式， 保障工作人员的生命安全， 提高工作效率。 发明内容 [0005]本发明的目的在于提供一种基于摄像头巡检路径的视觉监测方法， 以适应于输电 塔监测摄像头的日常使用， 主要对输电塔、 输电塔线路及输电塔周边事物的监测检测， 在保 证预警率的同时降低误检率。 摄像头处于规定的巡检路线之上， 拍摄实时图像， 本发明方法 采用深度学习卷积网络架构， 对巡检 摄像头采集的图像帧序列提特定场景的供检测服 务。 [0006]为了实现上述目的， 本发明的一种基于摄像头巡检路径的视觉监测方法， 包括如 下步骤： 步骤S1， 对摄像头进行巡检路径的编程， 使其可以在相应 的时间中完成对输电线 路、 输电塔和输电塔周边 三条巡检路径的巡检。 [0007]步骤S2， 对于每一条巡检路径进行视频数据采集， 保证在一天内的各个时段都能 获得符合要求的数据资料。 前期将采集到的数据输入步骤S3， 进行深度学习卷积神经网络 的训练。 一段时间后， 训练模型训练完成后， 步骤S2采集的数据输入步骤S5， 完成日常的巡 检任务。说　明　书 1/3 页 3 CN 114898291 A 3