[发明专利]基于目标检测的变电站金属仪器锈蚀识别方法

权利要求书

1.一种基于目标检测的变电站金属仪器锈蚀识别方法，其特征在于，包括如下步骤：

1)对变电站监控视频中的图像数据进行收集和标注，具体为：从变电站的监控视频中抽取若干包含锈蚀金属仪器的图像，对这些图像进行处理，使用矩形标注其中金属仪器的锈蚀部分；原始图像帧记为img；

2)对于上述任意原始图像帧img，获得其RGB表示img_rgb；

3)对Faster RCNN目标检测算法进行改进，具体步骤为：3.1)添加空间变换网络；3.2)对原有的卷积运算添加卷积分解变换；3.3)对卷积神经网络添加空间attention机制；3.4)使用特征金字塔网络对神经网络特征图进行多尺度缩放；对不同分辨率特征图利用拼接、相加两种方式进行结合；

4)使用改进后的Faster RCNN目标检测算法对可能包含锈蚀金属仪器的图像进行目标检测，具体为：将图像的RGB表示img_rgb送入神经网络进行特征提取，并根据提取的特征进行二分类和回归，神经网络输出class和锈蚀坐标，根据class判断图像中是否属于锈蚀，根据锈蚀坐标w，h，x，y判断锈蚀位置；

其中，class为0或1，0表示不属于金属锈蚀部分，1表示属于金属锈蚀部分；金属锈蚀区域的坐标用矩形框出，w h x y分别代表矩形的宽高、矩形中心点的横纵坐标；

5)训练神经网络：用神经网络的损失函数来表示预测的值和真实值的差距，所述的损失函数为分类损失和回归损失两部分，分类损失表示预测类别和真实类别的差距，记为其中表示真实的类别，class表示神经网络预测的类别；回归损失表示预测铁锈位置和真实位置的差距，记为其中表示铁锈真实坐标，w，h，x，h表示神经网络预测的铁锈坐标；为了简化表示，整个损失函数记为

使用Adam梯度下降算法L_w(img_rgb)对神经网络进行优化，不断提升分类的准确率同时减少预测坐标和真实坐标的差距，最终得到神经网络的权重W；

6)使用训练好的神经网络建立服务器，对客户端提供RESTful接口，接受客户端提供的图片流，将其输入到神经网络，预测整个图像中是否有金属仪器发生锈蚀现象，并得到锈蚀区域坐标，即图像中每个区域的class，w，h，x，y；根据预测的锈蚀区域对图片流进行标注，注明仪器锈蚀区域的具体位置，返回锈蚀识别结果以及标注完毕的图片流给客户端。

2.根据权利要求1所述的一种基于目标检测的变电站金属仪器锈蚀识别方法，其特征在于，步骤3.4)具体为，首先对特征图进行降采样，再对其进行上采样，得到低层次特征图F1和高层次特征图F2，且F1和F2一一对应；然后将低层次特征图F1和高层次特征图F2进行拼接得到特征图F3，再进行1*1卷积降低特征图维度得到特征图F4；再将低层次特征图F1和高层次特征图F2相加得到特征图F5，将F4、F5再进行拼接得到最终特征图F6，使用特征图F6进行目标检测。