[发明专利]一种输电线路图像识别方法

权利要求书

1.一种输电线路图像识别方法，其特征在于：包括，

采集输电线路设备图像；

利用Mask R-CNN方法粗识别所述采集到的输电线路图像；

利用类人概念学习并结合输电线路设备之间的相关关系构建修正机制对所述识别结果进行关系修正；

利用贝叶斯语义网络进行分解，进而获得最终识别结果。

2.如权利要求1所述的输电线路图像识别方法，其特征在于：所述利用Mask R-CNN方法识别所述采集到的输电线路图像包括，

所述Mask R-CNN方法首先利用目标检测算法卷积层提取所述输电线路设备图像的整体特征，通过目标候选区域生成网络生成感兴趣区域，应用ROI Align保障候选框与提取特征之间的对齐和一致，并利用分类和回归层获得感兴趣区域的目标类别和边界框回归，最终通过Mask分支实现对每个像素的分类与分割；所述Mask R-CNN的粗识别结果，包含目标的分类结果、边界框以及其对应的置信度。

3.如权利要求1或2所述的输电线路图像识别方法，其特征在于：所述类人概念学习包括，

通过所述学习类人概念学习的思想，利用输电线路电力设备之间存在的相关关系来对所述Mask R-CNN的识别结果进行修正；应用更多的信息和关系使得识别结果更加合理和可靠，从而使得一些因环境因素而本征较弱的实例目标具有了较强的语义支撑，对于关系的建模，从强相关关系和弱相关关系两个角度分别构建对应的修正机制。

4.如权利要求3所述的输电线路图像识别方法，其特征在于：所述输电线路电力设备之间存在的相关关系包括，

电流互感器与支撑绝缘子、电容与支撑绝缘子、GIS与套管、开关和支撑绝缘子以及电容和电容。

5.如权利要求4所述的输电线路图像识别方法，其特征在于：所述从强相关关系构建修正机制包括，

在从强相关关系构建修正机制过程中涉及5个方面，包括所述Mask R-CNN识别结果、邻域、位置归一化、相对大小以及位置关系；其中所述Mask R-CNN识别结果：设定存在N个识别结果为d⁽¹⁾,d⁽²⁾,…d^(N),将每一个识别结果称为一个实例，每一个实例具有三个属性，分类结果边界框和置信度边界框属性b_b＝(x,y,w,h)，其中(x,y),w,h分别表示边界框的中心坐标，宽和高，且d_s∈(0,1)；所述邻域定义为：

其中：α_w，α_h1为控制实例邻域大小的参数；位置的归一化方法包括将待修正目标归一化后边界框设为：而此时对于b^(j)∈ε(d⁽ⁱ⁾)满足如下公式：

所述相对大小包括计算方法为两实例边界框面积之比，在强相关关系中，为决定者面积比被决定者面积；在弱相关关系中，为目标实例比邻域内其他实例；所述位置关系包括：依据图像中实例之间经归一化后的空间关系定义“上面”、“下面”、“左右”的位置关系，与所述相对大小一起作为判定实例之间是否存在强相关关系的判据。

6.如权利要求5所述的输电线路图像识别方法，其特征在于：所述从强相关关系构建修正机制还包括，

具有强相关关系的二者，如果某一方依赖于对方的正确识别才可以依靠强相关关系而得到修正；部分目标本身相对较大，其邻域也相对较大，修正目标可能同时处于好几个邻域之内，只是单纯依据出现与否会使修正产生歧义。