[发明专利]超像素分割与深度学习相结合的输电线路入侵物检测方法

权利要求书

1.一种超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：包括以下步骤：

A、获取样本图像；

B、采用SLIC算法对图像进行超像素分割；

C、超像素分割完成后，采用中值滤波算法进行处理，保证边缘信息的同时去掉噪声造成的干扰；

D、完成中值滤波后，选择超像素块作为样本，训练Faster R-CNN模型，形成检测模型文件；

E、获取待测图像；

F、采用检测模型文件对待测图像进行检测；

G、根据检测结果获得识别后的结果。

2.根据权利要求1所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的样本图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的收集，形成样本图像。

3.根据权利要求1所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的步骤D中，训练Faster R-CNN模型所需要的样本数量为8000-10000个。

4.根据权利要求1所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的步骤D中，训练Faster R-CNN模型是以超像素块作为训练和目标识别的基本单元。

5.根据权利要求1所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的超像素分割的步骤为：

A1、将含有N个像素点的样本图像颜色空间由RGB转换到CIE-Lab，使样本图像的每个像素的颜色值(l，a，b)与坐标(x，y)组成5维向量V[L，a，b，x，y]；

A2、随机选取k个种子点，形成聚类中心，利用5维向量V计算向量距离，根据向量距离计算结果，搜索距离每个种子点最近的像素，根据像素相似性将种子标签赋予该像素，进行像素归类；其中，5维向量V计算向量距离的公式为：

其中，d_c表示第j个聚类中心与第i个像素点的颜色距离，d_s表示第j个聚类中心与第i个像素点的空间距离，m表示最大颜色距离，范围可取[1,40]，一般取10，s表示最大空间距离，

A3，重复步骤A2，重新选取k个种子点，重新得到k个聚类中心，重新计算距离每个种子点最近的像素，根据像素相似性重新将像素进行归类，然后再次更新聚类中心，再次迭代计算直到收敛，形成像素块即可。

6.根据权利要求5所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的像素归类时，每次迭代计算都给每个超像素分配一个类别标签，采用多数投票的原则，将该超像素中所有像素出现频率最高的类别作为最后的类别标签。

7.根据权利要求1所述的超像素分割与深度学习相结合的输电线路入侵物检测方法，其特征在于：所述的待测图像通过在被监测输电线路处安装监控设备，通过监控设备进行图片的采集，获得待测图像。