[发明专利]基于深度学习的输电走廊常见侵入物目标检测与识别方法

权利要求书

1.一种基于深度学习的输电走廊常见侵入物目标检测与识别方法，具体方法为：在训练阶段，利用深度学习方法，对视频采集装置获取到异物入侵的图片进行学习，通过学习得到所需的网络模型；在使用阶段，将现实监控到的画面传入所述网络模型，最终完成对侵入物的检测与识别。

2.根据权利要求1所述的侵入物目标检测与识别方法，其中，训练阶段的具体方法步骤为：

S11、对摄像头实时采集的视频图像，从输电走廊原图中提取包含侵入物的子图像；将提取到的所述子图像进行缩放处理，采用统一的大小，形成训练数据集；

S12、将训练数据集中侵入物的检测框与物体类别信息进行标定；

S13、将标定好的数据输入设计好的卷积神经网络，前向传播获取模型输出的检测框信息与样本的类别信息；

S14、计算检测框信息输出结果与实际检测框位置信息的回归损失函数值，及样本的类别信息与样本实际类别标签的分类损失函数值；根据两个损失函数值，反向传播进行训练参数的调整。

3.根据权利要求2所述的侵入物目标检测与识别方法，所述训练阶段的具体方法步骤还包括，S15、将训练过程中划分结果出错的结果重新加入训练集中，作为典型的负样本取代随机生成的负样本，再一次进行模型训练。

4.根据权利要求3所述的侵入物目标检测与识别方法，所述S15中，针对最后一层的分类器与回归器采取Hard Negative Mining方法选取负样本，对于分类分支，是将分类错误的样本作为负样本，对于回归分支，考察每一个候选框，如果和本类所有标定框的重叠都小于设定阈值，认定其为负样本，将这些负样本取代之前随机生成的负样本。

5.根据权利要求1到4之一所述的侵入物目标检测与识别方法，使用阶段的具体方法步骤为：

S21、获取视频采集到的原始图像，并根据设定缩放比例进行缩放；

S22、将子图像传入训练好的卷积神经网络，若图像中包含侵入物，网络输出侵入物的检测框位置信息与类别标签，若不含有侵入物则返回到S21；

S23、将检测框信息根据原图缩放比例进行尺度变换，在原图中画出检测框将侵入物包围起来同时显示出侵入物的识别结果。

6.根据权利要求2到4之一所述的侵入物目标检测与识别方法，所述卷积神经网络结构为：对于层状网络结构，前九层用于提取图像特征，第一、三、五、六、八、九层为卷积层，其余为池化层，第九层网络之后增加一个上采样层，然后将上采样后的处理结果利用卷积核进行卷积；卷积核对应的每个特征区域同时预测输入图像的建议区域；将卷积结果同时送往两个网络分支，一个分支用于分类，得到类别估算概率的分值，另一个分支用于目标检测，采用回归的方法，生成4通道映射结果作为目标边界框的位置信息；所述建议区域为检测框可能的位置与大小。

7.根据权利要求6所述的侵入物目标检测与识别方法，向前传播的过程为：将提取到的子图像作为输入信息，经过第一个卷积层，卷积层包含两个阶段，第一阶段将信息通过可训练的滤波器和可加偏置进行卷积滤波；第二阶段通过一个ReLU激活函数得到特征映射图；下一层为池化层，对输入做降采样；其它的卷积层与池化层均进行类似的操作；第十层为上采样层，此处将第六层采样层的特征映射图和第九层的结果一同传入该层，进行特征融合；接下来利用滑窗对特征映射图进行卷积操作，从而将得到的特征向量进行整合，同时预测输入图像的建议区域，将结果输入两个分支的两个全连接层，第一个分支通过分类层得到分类结果；第二个分支将经过全连接层的结果传入一个回归器，最终得到检测边界框的位置。