[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

说明书

本发明公开了一种基于深度学习的输电线路施工物体图像检测方法。采集多幅已知施工物体标签的输电线路监控图像，构建输电线路施工物体检测神经网络，将图像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；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。本发明方法能够准确地检测出输电线路监控图像中的施工物体，并对光照以及气候变化具有较强的鲁棒性。

技术领域

本发明涉及图像目标检测方法，具体涉及了一种基于深度学习的输电线路施工物体图像检测方法。

背景技术

随着国民经济的飞速发展，一方面，各行各业对电力的需求越来越旺盛，输电线路的布局越来越密集；另一方面，全国各地的工程建设逐渐增多，公路、铁路以及建筑物的修建都不可避免的造成了大量在输电线路保护区内进行机械施工的现象。这样大大增加了输电线路的安全隐患。

相比于通过人工巡线的方式来排除输电线路潜在的隐患，视频监控的方法通过将输电线路监控图像从实地传回监控中心，大大减少了人工巡线耗费的资源。但同时海量的视频数据也大大提高了视频监控人员的工作负担。传统的基于图像处理的方法并不能很准确的定位监控图像中的施工物体，并且容易受光照以及气候变化的影响，适用性较差。

深度学习因为其优越的学习能力和表达能力，在泛化的目标检测领域取得了突破性的进展。本方法收集了2000多张输电线路监控图像并对其进行施工物体的标注，这为本方法训练深度神经网络实现施工物体目标检测提供了可能。

发明内容

本发明的目的在于提供一种基于深度学习的输电线路施工物体图像检测方法。本方法通过大量的数据对网络的参数进行训练。测试时直接将未知施工物体标签的图像通过一次神经网络的前向传播即可得到施工物体的检测结果。本方法检测的精度高，并且对光照和气候变化具有良好的鲁棒性。

本发明方法首先收集了一批输电线路监控图像，对图像中可能导致外力破坏的施工物体进行标注。然后利用标注的数据训练一个神经网络，用来预测监控图像中施工物体的位置和类别。

本发明采用的技术方案包括如下步骤：

(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。

本发明特殊搭建了输电线路施工物体检测神经网络，针对输电线路施工物体进行图像数据处理，使得能从图像中准确判断检测输电线路的施工物体。

所述输电线路的施工物体具体包括吊车、塔吊以及挖掘机。