[发明专利]一种基于加权反卷积层数改进DSSD算法的输电线目标检测方法、设备及存储介质

权利要求书

1.一种基于加权反卷积层数改进DSSD算法的输电线目标检测方法，其特征在于，包括以下步骤：

(1)基于边缘绘图参数自由算法的输电线识别技术，识别出输电线；

(2)先对步骤(1)识别出的多根输电线中两条最外围边缘输电线求最佳拟合直线，再根据图像的输电线所在区域取最佳拟合梯形，保持最佳拟合梯形重心不变对最佳拟合梯形进行扩大，扩大后即为从输入图像提取的检测范围；

(3)取扩大后的最佳拟合梯形中与上底、下底平行的若干条直线，将梯形的高平均分为长度相等的五段，将最佳拟合梯形从上到下分成五个面积不等的部分，面积最小的部分经过六层反卷积层，反卷积层层数按步长为1依次递减，直至面积最大的部分经过二层反卷积层，构建改进后的DSSD网络模型；检测框架的总体目标损失函数由中心位置损失L_loc和置信损失L_conf的加权和表示；

(4)将步骤(2)得到的从输入图像提取的检测范围输入步骤(3)构建的改进后的DSSD网络模型进行训练；

(5)将待检测的图像经过步骤(1)、步骤(2)处理后输入训练好的改进后的DSSD网络模型，得到输电线的检测结果；

步骤(2)中，根据图像的输电线所在区域取最佳拟合梯形，是指：连接输电线最外围两根边缘电线，获得四边形，取四边形中与最外围两根边缘电线重合的线段为梯形的腰，另外两条边求取多种不同斜率的相互平行线段对,构成梯形的上底和下底，构成多种梯形中,与四边形重合面积与梯形面积比值最大的梯形即为最佳拟合梯形。

2.根据权利要求1所述的一种基于加权反卷积层数改进DSSD算法的输电线目标检测方法，其特征在于，改进后的DSSD网络模型包括卷积层conv1、卷积层conv2_x、卷积层conv3_x、卷积层conv4_x、卷积层conv5_x、卷积层conv6_x、卷积层conv7_x、卷积层conv8_x、卷积层conv9_x、卷积层conv10_x、deconv1_x、deconv2_x、deconv3_x、deconv4_x、deconv5_x、deconv6_x；

经过六层反卷积层时，则从卷积层conv2_x、卷积层conv3_x、卷积层conv6_x、卷积层conv7_x、卷积层conv8_x、卷积层conv9_x、卷积层conv10_x和反卷积层deconv1_x、反卷积层deconv2_x、反卷积层deconv3_x、反卷积层deconv4_x、反卷积层deconv5_x、反卷积层deconv6_x提取出作为检测所用的feature maps，卷积层conv4_x与反卷积层deconv1_x，卷积层conv5_x与反卷积层deconv2_x，卷积层conv6_x与反卷积层deconv3_x，卷积层conv7_x与反卷积层deconv4_x,卷积层conv8_x与反卷积层deconv5_x，卷积层conv9_x与反卷积层deconv6_x融合一起作检测；

经过五层反卷积层时，则从卷积层conv3_x、卷积层conv6_x、卷积层conv7_x、卷积层conv8_x、卷积层conv9_x、卷积层conv10_x和反卷积层deconv1_x、反卷积层deconv2_x、反卷积层deconv3_x、反卷积层deconv4_x、反卷积层deconv5_x提取出作为检测所用的feature maps，卷积层conv3_x与反卷积层deconv1_x，卷积层conv6_x与反卷积层deconv2_x，卷积层conv7_x与反卷积层deconv3_x，卷积层conv8_x与反卷积层deconv4_x,卷积层conv9_x与反卷积层deconv5_x融合一起作检测；

经过四层反卷积层时，则从卷积层conv3_x、卷积层conv6_x、卷积层conv7_x、卷积层conv8_x、卷积层conv10_x和反卷积层deconv1_x、反卷积层deconv2_x、反卷积层deconv3_x、反卷积层deconv4_x提取出作为检测所用的feature maps，卷积层conv3_x与反卷积层deconv1_x，卷积层conv6_x与反卷积层deconv2_x，卷积层conv7_x与反卷积层deconv3_x，卷积层conv8_x与反卷积层deconv4_x融合一起作检测；

经过三层反卷积层时，则从卷积层conv3_x、卷积层conv6_x、卷积层conv7_x和反卷积层deconv1_x、反卷积层deconv2_x、反卷积层deconv3_x提取出作为检测所用的featuremaps，卷积层conv3_x与反卷积层deconv1_x，卷积层conv6_x与反卷积层deconv2_x，卷积层conv7_x与反卷积层deconv3_x融合一起作检测；

经过二层反卷积层时，则从卷积层conv3_x、卷积层conv6_x和反卷积层deconv1_x、反卷积层deconv2_x提取出作为检测所用的feature maps，卷积层conv3_x与反卷积层deconv1_x，卷积层conv6_x与反卷积层deconv2_x融合一起作检测；

对于每一个feature maps，设置先验框，设定第k个feature maps，先验框比例公式如式(Ⅰ)所示：

式(Ⅰ)中，m为特征图的个数；S_min，S_max分别为比例的最小值和最大值，S_min取0.2，S_max取0.95，分别代表特征图上先验框占输入图像的比例；在每一个feature maps上,加入了Faster R-CNN的anchors机制，对每一特征图上的先验框采取不同宽高比，采用的宽高比r＝{1,2,1/2,3,1/3}；每一个先验框的中心为f_k为特征图的大小；

得到特征图后，对特征图进行卷积得到检测结果，这些大小不同的feature maps同时进行softmax分类和位置回归。