(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 202210565025.0 (22)申请日 2022.05.23 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 (72)发明人 周亚傲　江明　彭飞　胡春华　 于永川　郝玉靖　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G08B 21/18(2006.01) H04N 7/18(2006.01) (54)发明名称 一种放线视频监控方法及设备 (57)摘要 一种放线视频监控方法， 其包括： 通过视频 采集设备获得放线图像； 将所述放线图像导入到 预先训练好的智能识别网络对所述放线图像进 行分析得到放线图像的预警等级； 其中， 所述预 先训练好的智能识别网络是采用历史放线图像 和对应的预 警等级分类标签对Alexnet神经网络 进行训练得到的。 本发明还公开了一种放线视频 监控设备， 通过角度调节底座和高度调节组件能 够安装于 各个型号牵引机和张力机， 所述智能识 别网络根据预 警等级分类给出操作或预警提示， 不但实现了导线跳槽故障的智能识别和预警， 而 且还实现了对导线损伤、 异物卷入、 导线盘放空 等问题的智能分类识别和预警， 解决了放线施工 的智能监控问题。 权利要求书2页 说明书10页 附图6页 CN 115019247 A 2022.09.06 CN 115019247 A 1.一种放线视频监控方法， 其特征在于， 所述方法包括： 通过视频采集设备获得放线图 像； 将所述放线图像导入到预先训练好的智能识别网络对所述放线图像进 行分析得到放线 图像的预警等级分类标签； 其中， 所述预先训练好的智能识别网络是采用历史放线图像和 对应的预警等级分类标签对Alexnet神经网络进行训练得到的。 2.如权利要求1所述的一种放线视频监控方法， 其特征在于， 所述智能识别网络的训练 包括： 获取历史放线图像， 以及历史放线图像的预警等级分类标签， 由所述历史放线图像和 所述放线图像的预警等级分类标签构成样本集； 将所述样本集按照设定比例划分为训练集 和测试集； 将所述训练集中的历史放线图像和所述放线图像的预警等级分类标签对所述 Alexnet网络进行训练， 得到初始训练的智能识别网络； 基于所述测试集结合交叉熵误差检 测所述初始训练的智能识别网络分类准确率， 将分类准确率达到设定阈值时的初始训练的 智能识别网络作为训练好的智能识别网络 。 3.如权利要求2所述的一种放线视频监控方法， 其特 征在于， 所述设定比例为8 :2。 4.如权利要求2所述的一种放线视频监控方法， 其特征在于， 所述基于所述测试集结合 交叉熵误差检测所述初始训练的智能识别网络 分类准确率， 将分类准确率达到 设定阈值时 的初始训练的智能识别网络作为训练好的智能识别网络包括： 将测试集中的历史放线图像 输入到所述初始训练的智能识别网络得到预测的图像分类结果， 采用交叉熵误差为损失函 数评估预测的图像分类结果与图像实际分类标签之 间的差异； 根据所述差异计算得到智能 识别网络的分类准确 率； 当所述分类准确 率小于设定阈值时， 根据所述差异修改网络参数 以提高分类准确率； 将所述分类准确率大于设定阈值时的初始训练的智能识别网络作为训 练好的智能识别网络 。 5.如权利要求2所述的一种放线视频监控方法， 其特征在于， 所述基于所述测试集结合 交叉熵误差检测所述初始训练的智能识别网络 分类准确率， 将分类准确率达到 设定阈值时 的初始训练的智能识别网络作为训练好的智能识别网络包括： 采用所述测试集中的历史放 线图像K张导入Alexnet模 型中， 图像经过Alexnet网络中的卷积层、 池化层及全连接层后输 出分类结果， 通过与K张历史放线图像对应的实际分类标签进 行对比， 得到智能识别网络的 分类准确率。 6.如权利要求4所述的一种放线视频监控方法， 其特征在于， 所述当所述分类准确率小 于设定阈值时， 根据所述差异修改网络参数以提高分类准确 率包括： 通过链式求导法则将 所述损失函数值 通过求解偏导数 逐步向上传递进 而修改网络参数。 7.如权利要求4所述的一种放线视频监控方法， 其特征在于， 所述预测的图像分类结果 与图像实际分类标签之间的差异按下式计算： 其中， n为样本总数， M为分类的数量， i为样本， pic为模型预测的样本i属于类别c的概 率， yic取0或1， 当i的真实类别为c时取1， 否则取0， L为n个样本分别经Alexnet分类预测并与 真实标签对比计算后取平均得到的损失函数值。 8.如权利要求1所述的一种放线视频监控方法， 其特征在于， 所述智能识别网络包括 Alexnet网络， 所述Alexnet网络包括5个卷积层、 3个池化层和3个全连接层， 第一卷积层为 输入层， 第一池化层位于第一卷积层和第二卷积层之间， 第二池化层位于第二卷积层与第权　利　要　求　书 1/2 页 2 CN 115019247 A 2三卷积层之间， 第三卷积层、 第四卷积层、 第 五卷积层依次连接， 第三池化层连接第 五卷积 层， 三个全连接层依次连接， 第一全连接层与第三池化层连接， 第三全连接层为输出层。 9.如权利要求1所述的一种放线视频监控方法， 其特征在于， 所述方法还包括： 根据所 述预警等级给 出操作或预警提 示。 10.一种放线视频监控设备， 其特征在于， 所述设备包括： 用于获得视频监控图像的视 频采集设备， 内置于所述视频采集设备内部或者通过通讯方式与所述视频采集设备连接的 运算单元； 所述运算单元用于实现如权利要求1至9中任一项所述的放线视频监控方法。 11.如权利要求10所述的一种放线视频监控设备， 其特征在于， 所述视频采集设备包 括： 具有外部连接结构的设备外壳； 安装于所述设备外壳前后两端的摄像头； 安装于所述设 备外壳内部的与所述摄像头电连接的视频 处理模块， 与所述视频 处理模块电连接的通讯模 块， 与所述摄像头、 视频 处理模块和通讯模块连接的电源模块； 以及与所述通讯模块连接的 天线。权　利　要　求　书 2/2 页 3 CN 115019247 A 3