[发明专利]基于深度学习的杆塔鸟巢检测方法在审
| 申请号： | 201811275856.4 | 申请日： | 2018-10-30 |
| 公开（公告）号： | CN109472229A | 公开（公告）日： | 2019-03-15 |
| 发明（设计）人： | 江灏;黄武林;陈静;缪希仁 | 申请（专利权）人： | 福州大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 蔡学俊;丘鸿超 |
| 地址： | 350108 福建省福州市闽*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 杆塔 鸟巢 学习 划分区域 网络提取 置信度 航拍 预测 卷积神经网络 输电线路杆塔 图像 网络数据量 目标检测 目标矩形 深度特征 深度预测 神经网络 特征信息 网络模型 学习图像 矩形框 偏向性 新数据 再利用 检测 合并 回归 | ||
1.一种基于深度学习的杆塔鸟巢检测方法，其特征在于，包括以下步骤：
步骤S1：建立杆塔鸟巢训练图像库，对每一图像样本制作对应的标签文件；所述标签文件符合Pascal VOC格式的xml标签文件标准；
步骤S2：建立深度学习网络模型，采用基于Darknet网络框架及yolo v2目标检测算法构建深度学习目标检测网络；
步骤S3：将杆塔鸟巢训练图像库中的所有图像样本及对应的标签文件划分为训练集和测试集；
步骤S4：采用yolo v2对所述训练集进行训练，获得初始杆塔检测模型和初始鸟巢检测模型；
步骤S5：使用fine-tune进行模型微调；
步骤S6：采用测试集测试模型性能并固化模型，获得杆塔最终模型和鸟巢最终模型；
步骤S7：待测图像依次经过杆塔最终模型和鸟巢最终模型检测，获得检测结果。
2.根据权利要求1所述的基于深度学习的杆塔鸟巢检测方法，其特征在于，在步骤S4中，训练使用的初始化模型为Darknet预训练模型，参数更新方式为SGD，初始学习速率为0.003，batch_size为1，训练步数为10万步。
3.根据权利要求1所述的基于深度学习的杆塔鸟巢检测方法，其特征在于，在步骤S3中，对训练集中的图像样本进行翻转和/或旋转和/或缩放和/或裁剪操作，生成新的图像样本，并制作对应的标签文件，对训练集进行扩容。
4.根据权利要求1所述的基于深度学习的杆塔鸟巢检测方法，其特征在于，在步骤S6中，采用测试集测试模型性能时，也使用fine-tune对模型进行微调。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福州大学，未经福州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811275856.4/1.html，转载请声明来源钻瓜专利网。
