[发明专利]基于深度学习的雷达回波图像高压线分割方法

权利要求书

1.基于深度学习的雷达回波图像高压线分割方法，其特征在于，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计和训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率；

所述深度学习高压线分割网络模型的设计，具体包括：

a)输入：雷达回波图像，按照全卷积网络要求进行数据的尺度缩放或裁剪；

b)编码：设计卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图；

c)解码：设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复；

d)输出：解码后的特征图经过分类器，输出雷达回波图像高压线语义分割结果；

所述DCN模块具体实现为：

对于输入尺寸为2W×2H×C₀的特征图，使用1×1卷积核进行特征图降维处理，再分两支路，其中一个支路通过最大池化，再将特征图填充到W×H×C₁维度上；另一支路用2×2卷积核以步长为2进行处理，再经过dilated为1、2、4的3×3空洞卷积操作，之后利用1×1卷积核进行升维，得到尺寸为W×H×C₁的特征图，最后将两个支路数据相加输出；

所述GCN模块具体实现为：

对于输入尺寸为W×H×C的特征图，分两支路，其中一个支路先用尺寸为K×1的卷积核处理，再用1×K的卷积核处理；另一支路先用尺寸为1×K的卷积核处理，再用K×1的卷积核处理；之后将两路尺寸为W×H×21的特征图相加；最后再经过反池化处理，得到尺寸2W×2H×21的特征图。

2.根据权利要求1的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述深度学习高压线分割网络模型的训练，具体包括：

a)数据准备：将雷达回波图像数据与标签，划分成训练集和测试集，

其中训练集多于测试集；

b)设置训练参数：包括训练迭代次数、学习批次大小、学习率大小、学习率衰减策略；

c)模型预测：从训练集中随机获取一个批次的训练数据，输入到高压线分割模型进行前向传播计算，得到预测的高压线分割结果；

d)计算损失：设定模型的损失函数为交叉熵，根据预测的高压线分割结果与标签数据，计算每个像素点的交叉熵，累加每个点的交叉熵得到损失，即预测结果与真实结果的误差；

e)误差传播：根据损失，使用反向传播算法计算梯度，对模型的权值进行更新；重复步骤c)-e)过程，直到训练迭代次数完成；

f)保存训练好的模型参数。

3.根据权利要求1的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述雷达回波图像高压线目标标注，包括：

a)回波数据拼接：将雷达扫描的不同方位向的回波数据进行拼接，形成雷达回波图像，多张雷达回波图像构成雷达回波图像集{X^M×N},M、N分别表示图像的行和列数；

b)高压线标注：标签集{Y^M×N}初始化为全零，图像从左至右，获取高压线的塔点坐标、线点坐标，对于线点不明显的高压线根据两塔点直线关系，获取高压线走向的坐标，将高压线塔点、线点等坐标周围行列的像素值做标记。