[发明专利]一种基于深度学习的变电站巡检机器人道路场景识别方法

说明书

本发明公开了一种基于深度学习的变电站巡检机器人道路场景识别方法，包括采集变电站道路场景图像并构建道路场景图像库、构建卷积编码网络并训练、在卷积编码网络基础上构建反卷积解码网络并训练、利用测试集测试模型和变电站巡检机器人道路场景识别应用的步骤。本发明搭建的全卷积神经网络同时兼顾识别精度及效率，通过将深层高精度卷积神经网络精简为小型浅层的网络来降低网络参数以及存储空间来提高识别效率，并采用了多种解码网络相融合的方式来获取更多目标信息保证识别精度；采用深度学习场景识别方法可获取变电站巡检机器人当前环境的稠密信息，对机器人导航避障提供更多有效的指导信息，使机器人环境适应能力更强。

技术领域

本发明涉及计算机模式识别技术领域，具体是一种基于深度学习的变电站巡检机器人道路场景识别方法。

背景技术

随着科技的不断发展，以“信息化、数字化、自动化、互动化”为特征的智能电网建设逐渐深入，智能机器人在变电站得到了广泛的应用，并取得了良好的效果。对于变电站巡检机器人而言，对可行道路进行有效的检测识别是机器人能够正常工作的前提保证。目前，绝大多数变电站巡检机器人主要采用激光雷达来实现机器人的导航、定位以及避障等。该方式虽然检测精度较高，但却忽略了对道路场景的识别理解，使机器人无法有效预测所处的环境情况，如机器人前方道路情况、障碍物类型(是否可越过)、机器人行驶方向是否偏离道路等，这极大的影响了变电站巡检机器人的工作效率以及其环境适应能力。因此，为了使变电站巡检机器人更好的理解环境进而更加有效的完成巡检任务，急需一种适用于变电站巡检机器人的道路场景识别方法。

传统的道路识别主要通过手动提取图像道路场景特征进而实现对可行道路识别，该方法需要大量的实验以及专业知识，且大多数方法仅适用于简单结构化道路环境。而深度学习作为近年来人工智能领域最为火热的一个方向，其采用数据驱动的方式，摆脱了人工设计特征的限制，使其可有效的避免传统人工设计和选择特征存在的不足，可有效应用于各种复杂环境的识别。同时，随着近几年计算机的飞速发展以及大数据时代的到来，深度学习也已经在图像处理领用取得了重大突破。对图像场景识别而言，自2015年Long等人提出了全卷积神经网络(FCN，Fully Convolutional Networks)的场景识别分割算法后，一系列基于深度学习的场景理解识别网络相继推出，不断刷新图像识别分割的精度及效率。但目前绝大部分高精度网络如SegNet、PSPNet、DeepLab等，其模型相对较大，识别效率较低，需使用高性能显卡如Titan Xp、Tesla V100等才能实现实时识别；而对于高效率网络如SegNet-basic、ENet、ShuffleNet等网络，虽然能在一般的嵌入式应用中实现高效实时识别，但识别精度相对较低，尤其是对小目标的识别。

发明内容

为了克服以上技术缺点，发明了一种针对变电站巡检机器人的道路场景识别方法，该方法无需高性能显卡，同时在保证识别精度的前提下可对变电站道路场景进行高效识别，为变电站巡检机器人提供有效的路况信息。

本发明的目的是提供一种基于深度学习的变电站巡检机器人道路场景识别方法，通过构建相对小型、浅层的卷积编码-反卷积解码结构的全卷积神经网络模型实现巡检机器人实时识别。卷积编码网络借鉴VGG网络结构来对图像特征进行提取，反卷积解码网络采用两种解码结构相融合的方式来获取目标更多局部精细细节信息以提高识别精度。通过依次训练卷积编码网络和反卷积解码网络使最终模型能够在复杂的变电站环境中准确高效识别分割出可行道路、杂草、石头、障碍物等目标。

实现本发明目的的技术方案为，一种基于深度学习的变电站巡检机器人道路场景识别方法，包括

步骤一：采集变电站道路场景图像，并构建道路场景图像库，包括

1、数据采集：通过变电站巡检机器人采集各个变电站不同光照、不同场景的道路视频；

2、构建数据库：从采集的道路视频中提取出清晰且重复率低的视频帧，构建训练集和测试集；