[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

说明书

本发明涉及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，包括：(1)识别出输电线；(2)先对于两条最外围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，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)构建改进后的DSSD网络模型；(4)对改进后的DSSD网络模型进行训练；(5)将待检测的图像经过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。本发明在于针对输电网络进行有针对性的监控，根据输电线走向与距离的关系完成区域划分进而实现对小目标高效准确的识别，兼顾了小目标识别准确性的同时提高了速度。

技术领域

本发明涉及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，属于目标检测技术领域。

背景技术

目标检测技术是一种与计算机视觉和图像处理有关的计算机技术，近年来，由于卷积神经网络的发展和硬件算力的提升，基于深度学习的目标检测正快速发展。为了提高神经网络的泛化性能，提出了ALexNet、VGG、GoogLetNet和ResNet等不同结构的神经网络。卷积神经网络CNN是最具代表的深度学习模型。目标检测算法也从two-stage算法发展升级到了one-stage算法，大大提升了网络速度。基于回归的目标检测算法YOLO直接使用了一个卷积神经网络实现了整个检测过程，具有速度快、泛化能力强的特点，但是损失了一定的精度，mAP降低了。SSD系列采用了多尺度特征图用于检测，以VGG16为主干网络并且添加了新的卷积层以获得不同大小的特征图，直接采取卷积进行检测，提升了检测速度，但是对于小目标的检测能力不足。为了提高对小目标的检测能力，DSSD方法将主干网络换成ResNet-101，增强了网络提取的能力，修改了预测米快，增加了反卷积模块，提高了对于小目标和密集目标的检测率，但是由于网络层数申具深，网络结构复杂，检测速度大幅降低。由于感受野过大，且卷积神经网络中使用了池化层，导致特征图上特征点的感受野会比下采样率大很多，因此在一个特征图点上包含小目标物体的概率就会更小了。同时，特征图的细节特征在网络提取的过程中会随着深度的增加导致语义信息的减少。这导致了小目标检测的精度准确率较低。如何兼顾速度与小目标检测的精度是目前目标检测算法的一大难题。

发明内容

针对现有技术的不足，针对于对电力资源网络传输中输电线的精确监控防护，本发明提供了一种基于加权反卷积层数改进SSD算法的输电线目标检测方法，在改进SSD算法的基础上，通过输电线的走向判断距离远近进而判断预测需要的目标大小，从而有针对性的通过设置不同的反卷积层数来进行目标识别，实现了提高运算速度并且同时兼顾小目标识别准确性的功能。

本发明还提供了一种计算机设备和存储介质。

术语解释：

1、radon变换，拉东变换，是一个积分变换，它将定义在二维平面上的一个函数f(x,y)沿着平面上的任意一条直线做线积分，相当于对函数f(x,y)做CT扫描。

2、feature maps，在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map(红绿蓝)。层与层之间会有若干个卷积核(kernel)，上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。

3、softmax分类，将多个神经元的输出，映射到(0,1)区间内，可以看成概率来理解，从而来进行多分类。

本发明采用以下技术方案：

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，包括以下步骤：

(1)根据已有的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；