[发明专利]一种基于DSSD的自动检测违章建筑方法及系统

权利要求书

1.一种基于DSSD的自动检测违章建筑方法，其特征在于，包括如下几个步骤：

步骤1：图像工作站负责采集建筑区图像，先对图像进行图像清晰度预处理，然后送入检测系统进行图像处理；

步骤2：检测系统将收集来的图像分成训练集和测试集两部分进行处理和分析，其中：训练集和测试集包括预处理、标注、神经网络判别；

步骤3：将识别结果发送系统终端，作为辅助诊断结果交由用户做最后诊断；

训练集和测试集预处理包括多尺度图像去噪和增强，将训练集和测试集图像进行作标注处理，放入DSSD神经网络中进行训练识别；

DSSD神经网络识别病灶基于回归与分类的过程，其中：

生成识别边框是一个回归的过程，判断识别框内病灶所属类别是一个分类过程，因此，总体目标损失函数是定位损失和置信损失的加权和：

其中N是与真实边框对应的默认边框的个数；c是每一类的置信度；α是权重项被设置为1；定位损失L_loc(x,l,g)是预测框l与真实目标框g之间的smooth_L1损失。l＝(l_x,l_y,l_w,l_h)各项分别表示预测边框的中心位置(x,y)和其边框的宽w、高h；g＝(g_x,g_y,g_w,g_h),各项分别表示真实目标的中心位置(x，y)和其边框的宽w、高h，

置信损失L_conf(x,c)是多类置信度的Softmax损失：

2.根据权利要求1所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：DSSD神经网络包括特征层、反卷积模块、反卷积层以及预测模块。

3.根据权利要求2所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：特征层为6层，其构成是以ResNet101为基础网络，conv3_x层作为ResNet101中的卷积层，之后五层是一系列逐渐变小的卷积层；预测模块是在SSD预测模块(a)的基础上添加了一个残差单元，并在残差旁路将原来的特征图做卷积处理后与网络主干道的特征图做通道间加法从而形成了一个新的预测模块(b)。

4.根据权利要求1所述的一种基于DSSD的自动检测违章建筑方法，其特征在于：使用K-means聚类算法来获得病灶宽高比的k个聚类中心，并且使用手肘法来确定最优k值，手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：

其中，c_i是第i个簇，p是c_i中的样本点，m_i是c_i的质心(c_i中所有样本的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏，当k小于真实聚类数时，SSE的下降幅度会很大，而当k到达真实聚类数时，SSE的下降幅度会骤减，因此，从标签文件中获取病灶的宽和高从而得到宽高比，然后以宽高比为特征运行K-means算法。

5.如1至4中任一项所述的一种基于DSSD的自动检测违章建筑系统，其特征在于，包括：

图像工作站，用于负责采集建筑区图像，并将采集的违章建筑物图像上传到检测系统进行图像处理；

检测系统，将收集来的图像分成训练集和测试集两部分进行处理和分析，然后送入到DSSD神经网络；

DSSD神经网络，对检测系统上传的处理分析图像进行训练识别，然后将识别结果发送至系统终端；

检测系统，接收该识别结果，作为辅助诊断结果交由用户做最后诊断。

6.根据权利要求4所述的一种基于DSSD的自动检测违章建筑系统，其特征在于：检测系统包括有训练集和测试集预处理、标注、DSSD神经网络判别。

7.根据权利要求6所述的一种基于DSSD的自动检测违章建筑系统，其特征在于：训练集和测试集预处理包括多尺度图像去噪和增强。

8.根据权利要求6所述的一种基于DSSD的自动检测违章建筑系统，其特征在于：图像工作站包括拍照设备以及图像扫描设备，拍照设备对建筑区进行拍照，图像扫描设备对拍照设备拍得的图片进行图像清晰度预处理；其中：拍照设备可采用无人机，图像扫描设备基于PC机，在该PC机装入基于Retinex图像增强算法的Matlab710。