[发明专利]一种基于卷积神经网络的无人机巡检视频关键目标识别的方法

说明书

本发明公开了一种基于卷积神经网络的无人机巡检视频关键目标识别的方法，具体步骤如下：S1：收集无人机日常巡检视频；S2：从图像文件中标注关键目标，S3：构建卷积神经网络C1，S4：使用无人机进行沿途光缆、基站进行巡检，获得巡检视频。本网络C1在分类精度上与之保持相同的水平，但是在计算速度上要优于上述任何一种网络。而且所需卷积神经网络层数也减少了，降低了对机器的性能和缓存要求，有助于在无人机嵌入式控制器进行推理运算，实现了在低功耗设备上进行实时视频目标检测。

技术领域

本发明涉及无人机巡检技术领域，具体为一种基于卷积神经网络的无人机巡检视频关键目标识别的方法。

背景技术

在通信代维业务中，巡检作业是一项非常重要的工作的。周期性、针对性地对光缆、基站进行安全隐患排查，不但能够及时发现安全隐患，也能避免一些大的网络安全事故。相比早期人工巡检的方式，无人机因其几十倍于人力的高效成了巡检新利器。为了节省人力成本和提高巡检作业效率与质量，越来越多的企业开始采用无人机进行巡检作业。然而工作方式革新了，很多单位却没有对管理工具和软件技术进行迭代更新。无人机采集回传的数据量是人工巡检的数十倍，需要投入更多的人去处理和分析巡检结果，其后果就是，不仅是无人机的巡检数据没充分用起来，也远离了最初节省人力成本和提交效率的目标。

随着人工智能技术的不断发展，应用到卷积神经网络的场景也越来越多，例如人脸识别、车牌识别等。参考目前已有例子与技术方案，本发明介绍的是一种利用卷积神经网络对既定巡检目标进行权重训练，再使用已训练网络对视频帧进行推理，实现巡检视频目标自动识别的技术。

发明内容

本发明的目的在于提供一种基于卷积神经网络的无人机巡检视频关键目标识别的方法，该基于卷积神经网络的无人机巡检视频关键目标识别的方法具体步骤如下：

S1：收集无人机日常巡检视频，把视频进行帧转换成JPG格式图像材料，对每个图像进行翻转、拉伸、压缩操作，形成多个副本图像文件；

S2：从图像文件中标注关键目标，关键目标有挖土机、山林火灾、施工工地、地面坍塌、泥石流5种常见的对通信光缆、基站构成直接威胁的事物，生成VOC格式的数据集D1；

S3：构建卷积神经网络C1，使用预训练网络模型W1，以D1为输入，训练出能够准确分类出所述5种事物的网络权重W2；

S4：使用无人机进行沿途光缆、基站进行巡检，获得巡检视频，卷积神经网络C1载入网络权重W2，以视频帧F作为输入，判断是否包含所述5种事物。

优选的，数据集D1包含3个BoundingBox，4个坐标信息，1个ObjectnessScore，最后一层的卷积核的个数是3×(5+4+1)＝30，且具有3个预测支路，边长比为13:26:52，对应的感受视野不同。

与现有技术相比，本发明的有益效果是：本技术具体应用为C/S与B/S架构，分别部署在两台服务器上，通过互联网对外提供服务。其中Web服务器提供可视化操作界面，系统管理员可进行无人机接口管理、图像数据管理、在线数据标注等功能操作。无人机系统、智能眼镜用户可以通过WebService接口上传视频数据。而卷积神经网络服务器则承担网络训练、目标检测的功能。相对于ResNet-152、ResNet-101、Darknet-53目标检测网络，本网络C1在分类精度上与之保持相同的水平，但是在计算速度上要优于上述任何一种网络。而且所需卷积神经网络层数也减少了，降低了对机器的性能和缓存要求，有助于在无人机嵌入式控制器进行推理运算，实现了在低功耗设备上进行实时视频目标检测。

附图说明

图1为卷积神经网络C1示意图；

图2为基于卷积神经网络的无人机巡检视频关键目标识别技术流程图；

图3为技术应用与相关设备的结构示意图。

具体实施方式