本发明涉及火焰检测技术领域，特别是涉及一种输电线路火焰检测方法及系统。
背景技术：
随着我国电网规模的不断扩大，高压输电线路的传送距离也逐渐增大，输电线路不可避免的要穿过森林高山。在雷雨季节或者干旱天气情况下，有可能引发山火林火，这将大大威胁输电线路的安全。高压输电线路沿线地形复杂，如果派遣人员前去检测，将会消耗大量的人力物力，而且人工检测的效率并不是很高。
当前计算机图像处理技术在自动识别与检测方面得到了广泛的应用，通过摄像机采集到的图像，经过计算机处理，就可以得到目标信息。目前在输电线路火焰检测方面多利用遥感卫星、毫米波雷达以及红外装置进行火焰图像检测，对设备要求较高并且准确率低。
技术实现要素：
本发明的目的是提供一种输电线路火焰检测方法及系统，实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度。
为实现上述目的，本发明提供了如下方案：
一种输电线路火焰检测方法，所述输电线路火焰检测方法包括：
获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；
利用摄像机获取当前输电线路中待识别图片；
将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
可选的，所述根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络，具体包括：
采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。
可选的，所述根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络方法还包括：
采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
可选的，所述采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域，具体包括：
根据所述正集合，在rgb空间通过限定条件
将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域；
根据所述转换后疑似火焰像素区域，在his空间通过限定条件
可选的，所述采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合，具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32；
采用dtc变换公式
从所述dtc矩阵集合的每个dtc矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；
对所述8×8矩阵矩阵集合进行二值化处理，得到特征数据集合。
可选的，所述根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络，具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合；
根据所述打乱特征数据集合，使用反向传播算法和dropout方法对所述bp神经网络进行训练，得到训练后的bp神经网络。
一种输电线路火焰检测系统，所述输电线路火焰检测系统包括：
训练样本数据获取模块，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的bp神经网络获取模块，用于根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；
待识别图片获取模块，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块，用于将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
可选的，所述训练后的bp神经网络获取模块，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的bp神经网络获取单元，用于根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。
可选的，所述训练后的bp神经网络获取模块还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
可选的，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在rgb空间通过限定条件
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在his空间通过限定条件
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明涉及一种输电线路火焰检测方法及系统，方法包括：获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；利用摄像机获取当前输电线路中待识别图片；将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。通过本发明的上述方法实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种输电线路火焰检测方法的流程图；
图2为本发明实施例一种输电线路火焰检测系统的结构示意图；
图3为本发明实施例bp神经网络示意图；
图4为本发明实施例神经元模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种输电线路火焰检测方法及系统，实现对输电线路上的火焰进行检测，降低对设备的要求，提高检测的准确度
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种输电线路火焰检测方法的流程图，如图1所示，本发明所述输电线路火焰检测方法包括：
s1：获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合。
具体的，含有火焰目标图片的正集合为d1，d1中包含有多个火焰图片，不含有火焰目标图片的负集合d2，d2包含有多个非火焰图片，火焰图片无具体要求，存在火焰即可。
s2：根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络。
s2具体包括：
s201：采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
双线性插值算法如下：
其中,h(x,y)为双线性插值后的像素值，q11(x1，y1)、q21(x2，y1)、q12(x1，y2)、q22(x2，y2)分别为(x，y)相邻的四个点。
s202：采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域。
具体的，对d1中每一张图片都进行以下操作：按行均分为n份，按列均分为n份，同时确保
对d1中每一张图片中的各个区域进行rgb颜色空间检测和his颜色空间检测，提取出存在火焰像素的区域，将提取出的各个区域设为p：
彩色图片的三分量即为rgb，分别表示红绿蓝，在rgb空间通过限定条件
将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域，
转换公式为
根据所述转换后疑似火焰像素区域，在his空间通过限定条件
s203：对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
对d1、d2中所有图片以及p中的各区域进行灰度化处理。采用平均值灰度法，将彩色图像中的三分量亮度求平均得到一个灰度值：j(x,y)＝[r(x,y) g(x,y) b(x,y)]/3，其中j(x,y)表示灰度化后坐标(x,y)的像素值。
s204：采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合。s204具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32。
采用dtc变换公式
假设d1中有m1张图片，p中有m2个区域，d2中有m3共张图片，则最后得到的dct矩阵集合的个数为m1 m2 m3个。
从所述dtc矩阵集合的每个dtc矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；提取所得的每一个dct矩阵中左上角的8×8的矩阵，共64个元素，左上角的8×8矩阵代表了图像的低频信息。
对所述8×8矩阵集合进行二值化处理，得到特征数据集合。
具体的，对每个所得的8×8矩阵求取均值k，遍历每一个8×8矩阵中的每一个元素，若该元素大于等于k则将其置为1，反之则置为0，由此得到二值化矩阵，每个二值化矩阵共有64个元素。二值化矩阵中每四个横向相邻的四个元素可构成一个十六进制数，每个二值化矩阵可得到包含16个十六进制数的数组，记x＝[x1，x2，x3，…，x16]，其中xj(j＝1，2，…，16)为十六进制数。假设dct矩阵个数为(m1 m2 m3)个，则最后一共可得到(m1 m2 m3)组十六进制数组，将得到的(m1 m2)组数组作为bp神经网络的训练集的正样本，将得到的m3组数组作为bp神经网络的训练集的负样本。
s205：根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。bp神经网络由输入层、隐藏层和输出层组成，s205具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合。
具体的，将所有正负样本打乱后合并成特征数据集合d，令数据集d＝{(x1，y1)(x2，y2)…(xi，yi)…(xi，yi)}，其中
根据所述打乱特征数据集合，使用反向传播算法和dropout方法对所述bp神经网络进行训练，得到训练后的bp神经网络。
数据归一化，通过线性归一化
创建并训练bp神经网络，初始化神经网络各层权重参数ω，偏执参数b。将神经网络设为l层，每层节点数(神经元数)为n[l](i＝1，…，l)，其中第0层为输入层，依次输入中train中
bp神经网络通过以下三个阶段来实现神经网络内部参数的训练。第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层。每次神经网络训练一组数据，公式为：
其中，θ＝n[2]，为第2层神经元的节点数，有：
第二阶段是计算成本，成本公式为：
第三阶段是误差的反向传播与参数的更新。从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重参数ω和偏置参数b。
公式为
训练神经网络时使用dropout以避免过拟合。dropout即以一定比例v随机忽略隐藏层各层中神经元，使得网络变得更小，训练阶段也会提速。dropout比例v＝[v1，v2，…，vl-1]，其中v1，v2，…，vl-1为对应神经层的dropout比例。
测试并调整神经网络。将测试集test作为输入，查看分类准确率，通过分类正确率的高低进而优化神经网络。可进一步调整神经网络的总层数l，调整隐藏层各层的神经元数量n[l]以及各神经层的dropout比例v，再次训练，直到得到较高的正确率，
s3：利用摄像机获取当前输电线路中待识别图片；其中，摄像机设置在输电线路杆塔上。
s4：将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
对现场采集到图片首先进行s201-s202的火焰像素检验，若图片内含有疑似火焰像素的区域，采用s203进行灰度化，采用滑动窗口法，即设定好窗口的长宽以及运动的步长，在待识别图片上移动，对窗口检测出来的区域采用步s204特征提取，然后作为已训练好的bp神经网络的输入来进行判定是否存在火焰目标。
图2为本发明实施例一种输电线路火焰检测系统的结构示意图，如图2所示，本发明还提供一种输电线路火焰检测系统，所述输电线路火焰检测系统包括：
训练样本数据获取模块201，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的bp神经网络获取模块202，用于根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；
待识别图片获取模块203，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块204，用于将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
优选的，所述训练后的bp神经网络获取模块202，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的bp神经网络获取单元，用于根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。
优选的，所述训练后的bp神经网络获取模块202还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
优选的，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在rgb空间通过限定条件
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在his空间通过限定条件
本发明提供一种输电线路火焰检测方法及系统，通过设置在输电线路杆塔上的摄像机按时采样得到待识别图片，然后采用训练后的bp神经网络对待识别图片进行检测，来判断待识别图片中否存在火焰目标，从而有效提高检测效率与准确度，大大节省人力。
本发明中由于火焰形状不固定，因此采用分割图片的方法来增加正样本数量，因此弥补了训练神经网络时正样本图片不充足的缺陷。
本发明通过感知哈希算法将图像特征用一维数组表示，然后采用颜色空间方法可直接滤除掉一部分图像，提高神经网络的训练速度以及检测速度，最后在训练神经网络时运用dropout避免了过拟合现象，提高了检测结果的准确度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
1.一种输电线路火焰检测方法，其特征在于，所述输电线路火焰检测方法包括：
获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；
利用摄像机获取当前输电线路中待识别图片；
将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
2.根据权利要求1所述的输电线路火焰检测方法，其特征在于，所述根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络，具体包括：
采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。
3.根据权利要求1所述的输电线路火焰检测方法，其特征在于，所述根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络还包括：
采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
4.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域，具体包括：
根据所述正集合，在rgb空间通过限定条件
将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域；
根据所述转换后疑似火焰像素区域，在his空间通过限定条件
5.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合，具体包括：
将所述灰度化数据中的每个图片的尺寸缩小为n×n，得到缩小灰度化数据；其中28≤n≤32；
采用dtc变换公式
从所述dtc矩阵集合的每个dtc矩阵中选取8×8矩阵，得到8×8矩阵矩阵集合；
对所述8×8矩阵矩阵集合进行二值化处理，得到特征数据集合。
6.根据权利要求2所述的输电线路火焰检测方法，其特征在于，所述根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络，具体包括：
将所述特征数据集合中的特征数据的次序打乱，得到打乱特征数据集合；
根据所述打乱特征数据集合，使用反向传播算法和dropout方法对所述bp神经网络进行训练，得到训练后的bp神经网络。
7.一种输电线路火焰检测系统，其特征在于，所述输电线路火焰检测系统包括：
训练样本数据获取模块，用于获取训练样本数据；所述训练样本数据中包括含有火焰目标图片的正集合以及不含有火焰目标图片的负集合；
训练后的bp神经网络获取模块，用于根据所述训练样本数据训练bp神经网络，得到训练后的bp神经网络；
待识别图片获取模块，用于利用摄像机获取当前输电线路中待识别图片；
当前检测结果获取模块，用于将所述待识别图片输入到所述训练后的bp神经网络，得到当前检测结果。
8.根据权利要求7所述的输电线路火焰检测系统，其特征在于，所述训练后的bp神经网络获取模块，具体包括：
火焰像素区域获取单元，用于采用颜色空间方法对所述正集合中的每个图片进行处理，得到火焰像素区域；
灰度化数据获取单元，用于对所述训练样本数据和所述火焰像素区域进行灰度化处理，得到灰度化数据；
特征数据集合获取单元，用于采用感知哈希算法对所述灰度化数据进行特征提取，得到特征数据集合；
训练后的bp神经网络获取单元，用于根据所述特征数据集合对bp神经网络进行训练，得到训练后的bp神经网络。
9.根据权利要求7所述的输电线路火焰检测系统，其特征在于，所述训练后的bp神经网络获取模块还包括：
图片修改单元，用于采用双线性插值算法将所述训练样本数据中每个图片的尺寸修改为m×m。
10.根据权利要求8所述的输电线路火焰检测系统，其特征在于，所述火焰像素区域获取单元，具体包括：
疑似火焰像素区域提取子单元，用于根据所述正集合，在rgb空间通过限定条件
转换后疑似火焰像素区域获取子单元，用于将所述疑似火焰像素区域转换到his空间，得到转换后疑似火焰像素区域；
火焰像素区域获取子单元，用于根据所述转换后疑似火焰像素区域，在his空间通过限定条件
