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

说明书

本发明涉及计算机图像处理方法的技术领域，更具体地，涉及一种基于ZF‑Faster RCNNs的电缆隧道积水定位识别方法，包括候选区域生成的步骤、特征提取的步骤、类别判断的步骤以及位置精修的步骤，先采用RPN网络提取积水定位区域建议，然后用Faster R‑CNN检测网络在建议框内进行图像识别、SVM分类，最后对建议框进行位置精修，通过将传统的Faster R‑CNN检测网络种的Softmax分类方法替换成SVM，避免了由于正则化参数选取造成的概率计算近似结果，增强了分类的置信度。本发明能够实现实时监控电缆隧道内的积水情况，且能够实现电缆隧道积水区域的快速识别和定位，定位准确，计算效率高。

技术领域

本发明涉及计算机图像处理方法的技术领域，更具体地，涉及一种基于ZF-FasterRCNNs的电缆隧道积水定位识别方法。

背景技术

目前，国内的电缆隧道积水监测大多基于水泵及水位监测系统，其监测目标为电缆隧道内集水坑的水位，当水位超过预设值时会启动远程警报，隧道维护人员通过该信号确定水泵是否正常排水，并采取相关应急措施。然而，这种监测方式只能将对象局限于集水坑，无法兼顾整个电缆隧道各个位置的积水情况，且反馈不够及时，难以实时监控电缆隧道内的积水情况，难以解决隧道潮湿的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，采用数字图像处理技术和基于区域建议的卷积神经网络算法进行电缆隧道积水的实时监控和图像定位识别。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于ZF-Faster RCNNs的电缆隧道积水定位识别方法，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PASCALVOC2011 Example 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Faster R-CNN检测网络。