[发明专利]一种基于深度神经网络的电力设备红外图像语义分割方法

权利要求书

1.一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是，包括如下步骤：

(1)采集一系列已知像素级标签的电力设备红外图像，构成图像语义分割数据集；

(2)将图像语义分割数据集随机分为多部分，每个部分的图像数量相同；

(3)从图像语义分割数据集中选取一部分，对其中的图像进行数据增强的预处理；

(4)对于预处理后的图像输入基于DeepLab的深度卷积网络进行处理获得语义分割结果图；

(5)将语义分割结果图与图像原有已知的像素级标签进行比较，用交叉熵计算预测误差，然后使用随机梯度下降算法在基于DeepLab的深度卷积网络中对预测误差进行反向传播，更新基于DeepLab的深度卷积网络的网络参数值；

(6)重复步骤(3)-(5)对基于DeepLab的深度卷积网络进行迭代更新，每次进行步骤(3)时从数据集中选取不同一部分，直至最大迭代次数完成训练；

(7)采用步骤(6)训练获得的分割网络对未知像素级真值标签的待测图像进行处理，获得最终语义分割结果图；

(8)选择使用全连接的条件随机场进行后处理，对最终语义分割结果图进行平滑和边缘的优化。

2.根据权利要求1所述的一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是：所述步骤(3)的预处理具体为：

(3.1)设定裁剪后的图像大小，对每张图像随机选取区域，进行图像大小的裁剪；

(3.2)对每张图像，进行随机的镜像翻转；

(3.3)根据电力设备红外图像中目标设备的尺寸大小分布设置尺度变换参数集合{s1,s2,...}，对每张图像随机地选取尺度变换参数集合中一项，对原始输入图像进行尺度的变换。

3.根据权利要求1所述的一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是：

所述步骤(4)具体为：所述的基于DeepLab的深度卷积网络主要由Convs模块、ASPP模块和上采样模块组成，将图像输入到Convs模块提取出图像的初步特征图，再输入到ASPP模块进一步提取获得图像低分辨率的多尺度特征图，最后经过上采样模块对多尺度特征图进行上采样，获得与输入到深度卷积网络原始图像大小相同的语义分割结果图。

4.根据权利要求3所述的一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是：

所述的Convs模块为VGG-16网络，包含Conv5及其之前的所有运算层，主要由三层卷积层、池化层和非线性激活层依次连接组成，其中对于Conv5的三个卷积层均用小孔卷积作为三个卷积层中的卷积操作；

所述的ASPP模块主要包括四个并行的子模块，用四个子模块分别处理提取后的特征图进行对应元素叠加，获得ASPP模块输出的多尺度特征图；

所述的上采样模块主要包括一个上采样层，上采样层通过双线性插值的方式对ASPP模块的输出进行采样，获得与输入到深度卷积网络原始图像分辨率相同的语义分割结果图。

5.根据权利要求4所述的一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是：所述ASPP模块中，每个子模块均有相同的三层组成，三层分别为FC6层、FC7层和FC8层，FC6层是由一个输出神经元个数为N1的卷积层、一个Relu非线性激活层和一个Dropout层依次连接构成，FC7层是由一个输出神经元个数为N2的全连接层、一个Relu非线性激活层和一个Dropout层依次连接构成，FC8层是由一个输出神经元个数为C＝2的全连接层构成；在四个子模块的FC6层的卷积层处理时，使用不同的小孔卷积采样率来进行卷积操作。

6.根据权利要求4所述的一种基于深度神经网络的电力设备红外图像语义分割方法，其特征是：所述的Convs模块中的小孔卷积采用以下公式进行处理：

其中，r为采样率，g[n]表示小孔卷积后的输出，x[n]表示小孔卷积的输入，w[k]表示滤波器，k表示滤波器w[k]的索引值，K表示滤波器w[k]的长度。