[发明专利]基于深度目标检测的输电线路机巡影像自适应识别方法

说明书

本发明公开了一种基于深度目标检测的输电线路机巡影像自适应识别方法，首先利用FasterRCNN网络和YOLOv3网络在输电线路巡检图像数据集上进行训练，得到输电线路设备缺陷的特征提取模型；随后在模型中引入非极大值抑制判别器，对二个网络的特征提取结果进行分析最终得到巡检图片中缺陷的类型和位置；解决了现有技术对无人机巡线图片和视频识别需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成巡视不到位等问题。

技术领域

本发明涉及影像处理技术领域，尤其涉及一种基于深度目标检测的输电线路机巡影像自适应识别方法。

背景技术

随着输电线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显。传统的人工巡检方式效率低下，难以适应山地、跨越河流等区域的输电线路巡检，不能形成结构化、精细化、智能化的巡线体系。近年来，无人机巡检以其效率高、能适应复杂环境、操作简便、成本低等众多优点引起了广泛关注，众多电力研究机构投入了大量人力物力进行无人机电力巡检的研究。通过搭载图像采集装置，无人机能够快速采集输电线路的图像和视频数据，大大减少巡检工作量，降低巡线的危险性。但目前只能人工判读大量的无人机巡线图片和视频，需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成巡视不到位等问题。

发明内容

本发明为了解决上述技术问题，而提供一种基于深度目标检测的输电线路机巡影像自适应识别方法，以解决现有技术对无人机巡线图片和视频识别需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成巡视不到位等问题。

本发明技术方案为：

一种基于深度目标检测的输电线路机巡影像自适应识别方法，首先利用FasterRCNN网络和YOLOv3网络在输电线路巡检图像数据集上进行训练，得到输电线路设备缺陷的特征提取模型；随后在模型中引入非极大值抑制判别器，对二个网络的特征提取结果进行分析最终得到巡检图片中缺陷的类型和位置。

所述Faster R-CNN网络由区域生成网络RPN和区域检测网络组成，两个网络通过共享卷积层形成一个二阶段的端到端检测网络。

FasterRCNN网络对巡检图像进行特征提取的方法为：

步骤1、FasterRCNN网络首先调整图片的尺寸，

步骤2、然后通过深度卷积层对输入的样本图片进行特征提取，得到一个特征金字塔图，

步骤3、将特征金字塔图输入RPN网络中进行区域提取，利用anchors机制和NMS算法得到包含目标的候选区域，

步骤4、将RPN网络产生的候选区域输入到检测网络中利用RoI池化层将不同尺寸的RoI下采样到固定尺寸；

步骤5、然后经过全连接层进行目标类别的判定和位置边界框的确定。

将特征金字塔图输入RPN网络中进行区域提取，利用anchors机制和NMS算法得到包含目标的候选区域的方法为：

步骤3.1、RPN网络通过在卷积层提取的特征图上以每一个像素点为中心以不同的尺度和长宽比形成K个预测框；

步骤3.2、将这些预测框输入网络进行目标与背景评分和边界框的界定，并基于评分使用非极大值抑制算法进行预测框的冗余性处理；

步骤3.3、将处理后的候选区域输入检测网络进行进一步的类别评分和边界框微调回归；

步骤3.4、然后将候选区域和实际目标区域对比计算网络的损失函数，并通过反向传播算法对网络中的参数进行梯度更新，直到网络收敛。

所述YOLO网络采用全卷积结构，利用全图的上下文信息进行回归，回归结果即目标框的类别和位置信息，YOLOv3网络直接设定预选锚框，通过对预选锚框进行回归调整最终得到目标检测结果。