[发明专利]一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法

权利要求书

1.一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，包括以下步骤：

S1.通过隧道巡检机器人摄像头拍摄采集包含有积水的隧道积水样本图像；

S2.遍历步骤S1中所述隧道积水样本图像，对每张样本图像用包围框对积水区域进行标记处理，将包围框内的像素点标记为积水类别，将包围框外的像素点标记为背景类别，获得训练集；

S3.对步骤S2中所述训练集中具有包围框的隧道积水样本图像进行尺度缩放，将每张样本图像和包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例缩放；

S4.构建包含ZFnet网络和RPN网络的Faster R-CNN检测网络，使用PASCAL VOC2011Example Images对ZFnet网络进行预训练，所述RPN网络和Faster R-CNN检测网络均为ZFnet网络的基础上增加功能层得到；

S5.使用步骤S4预训练得到的ZFnet网络对RPN网络进行初始化，步骤S4中所述功能层进行卷积运算得到积水定位区域建议框；

S6.使用步骤S4预训练得到的ZFnet网络对Faster R-CNN检测网络进行初始化，将步骤S5中得到的积水定位区域建议框作为Faster R-CNN检测网络的输入，进行层卷积、池化运算以及SVM分类器计算以判断所述积水定位区域建议框是否存在隧道积水的结论以及积水区域的位置；

S7.重复步骤S5和步骤S6使用样本图像对Faster R-CNN检测网络进行训练和微调，在误差反向传播的过程中调整矩阵的参数，得到适合用于电缆隧道积水定位识别的FasterR-CNN检测网络。

2.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，步骤S4中所述的ZFnet网络包括五个卷积层CONV1、CONV2、CONV3、CONV4、CONV5以及两个全连接层FC6、FC7，所述卷积层CONV5输出256通道的特征图，所述全连接层FC6将256通道内的全部特征进行串联生成4096维的高维特征向量。

3.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，步骤S5中，对RPN网络进行初始化后，在卷积层CONV5后增加卷积层CONV6，所述卷积层CONV6对卷积层CONV5输出的特征进行滑窗式的卷积运算。

4.根据权利要求3所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，所述滑窗式的卷积运算包括：对训练集中样本图像的每个位置，考虑多个固定尺宽和长宽比的候选窗口；卷积层CONV6的输出作为两个独立的全连接层box回归层和box分类层的输入，得到所述位置上9*2个窗口属于目标的概率或属于背景的概率，以及9*4个平移缩放参数。

5.根据权利要求1所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，步骤S7中，所述微调采用随机梯度下降法对Faster R-CNN检测网络进行微调训练。

6.根据权利要求1至5任一项所述的基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，其特征在于，在步骤S7后，还包括RPN网络和Faster R-CNN检测网络共享卷积层的步骤以及采用Fast R-CNN检测网络的参数初始化RPN网络初始化的步骤，所述共享卷积层的学习率为0。