[发明专利]基于多阈值级联检测器的双通道电力图零部件检测方法

权利要求书

1.一种基于多阈值级联检测器的双通道电力图零部件检测方法，其特征在于，包括：

获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；

将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；

根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果；

其中，所述双通道检测模型的网络架构为：首先用残差网络ResNet101作为特征提取的网络，并在其中增加特征金字塔结构FPN，之后构建区域生成网络RPN子网络，以对FPN提取的不同尺度的特征图生成感兴趣区域RoIs，再对生成的RoIs进行RoI Align操作，最后搭建多阈值精准边框回归与类别检测子网络，以对RoI Align操作后的RoIs进行检测；分别利用原图训练集和子图训练集对该网络架构进行端到端的联合训练，即得所述双通道检测模型，所述双通道检测模型包括原图通道和子图通道；

所述用残差网络ResNet101作为特征提取的网络，并在其中增加特征金字塔结构FPN，包括：

构建自底向上的特征提取卷积网络，获得增强的语义信息，得到ResNet101网络，所述ResNet101网络由若干卷积层组成，将大小相同的分成一组，共计有五组，由下而上每组的最后一卷积层依次为C1-C5，相邻组之间输出特征图的分辨率大小减半；

FPN使用一个1x1的卷积过滤器将C5的通道数降至256维，得到中间特征图M5，接着应用一个3x3的卷积操作，得到用于送入后续RPN子网络进行RoI生成的第一个特征图P5；

沿着自顶向下的路径往下，FPN对之前的层应用最近邻上采样使得空间分辨率翻倍，同时FPN对ResNet101网络自底向上通路中的相应特征映射应用1x1卷积，并把它加到上采样的结果里，接着同样应用3x3卷积得到减轻了上采样的混叠效应，且用于送入后续RPN子网络进行RoI生成的第二个特征图P4；重复该步骤，得到用于送入后续RPN子网络进行RoI生成的第三个特征图P3和第四个特征图P2。

2.根据权利要求1所述的方法，其特征在于，所述构建区域生成网络RPN子网络，以对FPN提取的不同尺度的特征图生成感兴趣区域RoIs，包括：

预定义候选框：具有{32²,64²,128²,256²,512²}五种大小尺度和{1:2, 1:1, 2:1} 三种纵横比的一共15种Anchors为候选框，用于对特征图上的每个锚点处不同形状的零部件利用对应尺寸的候选框进行框选；

将FPN得到的特征图P2-P5进行3x3卷积操作，之后RPN子网络分为2条支路：第一条经过1x1的卷积得到2*15维度的特征图后，用softmax分别预测每个锚点处的15个Anchors属于正例和负例的概率；第二条用1x1的卷积得到4*15维度的特征图，得到每个Anchor的边框回归的四个偏移量数值，以获得精确的候选框；

由候选框生成层负责综合正例 Anchors和对应的边框回归的偏移量，最终得到候选框RoIs。

3.根据权利要求2所述的方法，其特征在于，所述由候选框生成层负责综合正例Anchors和对应的边框回归的偏移量，最终得到候选框RoIs，包括：

对所有生成的Anchors按照边框回归的偏移量进行回归处理，得到修正后的Anchors；

按照输入的正例softmax得分由大到小排序Anchors，提取前预定数量个分数最高的正例Anchors；

舍弃超出图像部分的Anchors，剔除面积小于预设大小的正例Anchors；

对所有剩余的正例Anchors进行非极大值抑制，最后剩下预设数量个候选框RoIs。