[发明专利]一种地下电缆管道场景异物识别和分类方法

权利要求书

1.一种地下电缆管道场景异物识别和分类方法，其特征在于，所述地下电缆管道场景异物识别和分类方法包括以下步骤：

1)预先构建一个地下电缆管道场景异常识别和分类训练模型，所述模型使用卷积长短期记忆(ConvLSTM)和通道分组策略组成的全局长短期记忆(GLS)模块来提取远程空间特征和相邻通道特征，使用空间和通道联合注意力机制(JAM)来对特征进行重新加权和建模，通过特征融合来提供连续且精细的像素级特征，获得管道场景异物识别和分类网络参数；

2)将管道场景测试图像数据加载进管道场景异物识别和分类网络，获得特征像素点的分类值和分类区域，输出包含异物类型及异物所在区域的具有检测结果的图像，测试该模型对管道场景各异物类别预测精度以及全类别平均预测精度。

2.根据权利要求1所述的一种地下电缆管道场景异物识别和分类方法，其特征在于，步骤1)中包括：

11)获取管道场景异物图像数据集，每张管道场景图像均有其对应的异物边界区域及对应类别共1000张图像，训练集，验证集和测试集分别分配700，200，100张图像；

12)对训练图像进行Gamma矫正和平滑滤波去噪处理；

13)选取UNet目标分割网络作为主干网络，输入图像通过3×3卷积操作进行尺寸调整作为JAM模块的输入；

14)针对输入特征图通过ConvLSTM模块提取局部空间信息，生成一个新的特征图；

15)针对生成的新的特征图的通道平均分配给n个组，n代表时间步长，第一层用于提取远程特征之间的依赖关系，第二层用于增强相邻通道的相关性；对每个分组输出的特征图进行合并连接生成一个新的特征图；

16)分别提取通道注意力和空间注意力的特征表示，将输出具有通道注意力特征图和空间注意力特征图串联运算进行特征融合生成具有空间相关性和通道依赖性的特征图；

17)重复步骤13)到16)三次获得详细特征表示的特征图进入解码操作；

18)解码模块包括三层上采样层和五层1×1卷积层：三层上采样获得的特征图分别与同级编码器进行跳跃连接，跳跃连接采用1×1的卷积层，使得来自编码器的空间特征和同级解码器中的语义特征进行融合；

19)构建损失函数，实现训练过程的收敛，得到最终异物识别和分类训练模型。

3.根据权利要求2所述的一种地下电缆管道场景异物识别和分类方法，其特征在于，步骤16)中，所述通道注意力和空间注意力模块包括以下步骤：

所述通道注意力机制，分别使用两个1×1卷积层来获得全空间特征向量半通道特征向量，通过整形函数分别得到1×H×W和C/2×HW(H，W，C分别表示输入的高度，宽度和通道数量))的特征向量，将全空间特征向量经过softmax函数做注意力重映射到半通道特征向量，其通道维数保持在C/2；经过Conv1×1通道调整和sigmoid函数激活后获得每个通道的权重因子，然后与输入特征图进行乘积运算得到通道注意力的特征向量，具体表示为：

其中，分别表示全空间特征向量，半通道特征向量以及重映射后的特征向量；H，W，C分别表示输入特征的高度，宽度和通道数量；表示1×1的卷积函数；F_R表示整形函数；表示矩阵乘法运算；x_t表示输入特征；x_ca表示通道注意力特征；

与通道注意力机制类似，提取得到全空间特征向量和半通道特征向量后，全空间特征向量通过全局平均池化层(GAP)得到C/2×1×1的特征向量，通过整形函数使其变为C/2×1的特征表示，经过softmax函数映射操作及sigmoid函数激活操作获得每个空间特征的权重因子，表示为1×H×W的特征图，最后与输入特征图进行乘积运算得到空间注意力的特征向量：

其中，F_GAP表示全局平均池化函数；x_sa表示空间注意力特征。