[发明专利]一种基于深度学习的输电线路施工物体图像检测方法

权利要求书

1.一种基于深度学习的输电线路施工物体图像检测方法，其特征是，包括如下步骤：

(1)采集多幅已知施工物体标签的输电线路监控图像I，施工物体标签为[c_i,x_i,y_i,w_i,h_i]，其中i表示第i个施工物体，c_i表示第i个施工物体的分类类别，x_i,y_i,w_i和h_i分别表示第i个施工物体中心点的x坐标、y坐标、宽度和高度；

(2)构建输电线路施工物体检测神经网络，将图像I及其对应的施工物体标签输入到输电线路施工物体检测神经网络中，利用带动量SGD算法训练神经网络；

(3)采用训练后的神经网络对未知施工物体标签的待测监控图像进行处理，获得待测监控图像中施工物体的检测结果。

2.根据权利要求1所述的一种基于深度学习的输电线路施工物体图像检测方法，其特征是：所述步骤(2)中的输电线路施工物体检测神经网络具体包括卷积(Convs)模块、候选区域网络(RPN)、感兴趣区域池化(RoI Pooling)模块、分类和坐标回归网络(CRN)、候选区域损失函数模块L_R和检测损失函数模块L_D；图像I输入到卷积模块输出得到特征图F_I，然后特征图F_I输入到候选区域网络中生成候选区域集合R_o，感兴趣区域池化模块根据候选区域集合R_o对特征图F_I上每一个候选区域进行池化得到对应的候选区域特征F_o，将候选区域特征F_o输入到分类和坐标回归网络得到候选区域分类和坐标回归的检测结果D；候选区域集合R_o输入到候选区域损失函数模块L_R计算预测候选区域的损失函数值，检测结果D输入到检测损失函数模块L_D中计算预测目标框的损失函数值；将候选区域损失函数模块L_R和检测损失函数模块L_D计算获得的损失值通过反向传播进行迭代计算进行神经网络的训练。

3.根据权利要求2所述的一种基于深度学习的输电线路施工物体图像检测方法，其特征是：

所述的卷积模块主要由五个小模块组成，每个小模块由卷积层、激活层、池化层依次连接构成，前四个小模块的池化层将经处理图像的分辨率降为输入的1/2，最终经Convs模块输出的特征图F_I的分辨率为初始输入图像的1/16。