[发明专利]一种基于改进Mask-RCNN的变电站现场进度识别方法

权利要求书

1.一种基于改进Mask-RCNN的变电站现场进度识别方法，其特征在于：

所述识别方法依次按照以下步骤进行：

S1、采集不同时序定点区域范围的装配式变电站工程现场的设备与建筑图像，并将其均分为样本数据集、待检测数据集；

S2、先将样本数据集、待检测数据集输入改进Mask-RCNN网络模型的CNN网络中提取图像特征，然后通过改进EC模块整合图像特征得到特征图，随后通过RPN网络对特征图的ROI进行提取和过滤，再通过兴趣区域对齐层根据过滤后的ROI统一特征图的尺寸，最后在全连接层中对特征图进行二值分类、边框回归、Mask掩膜分割生成二值掩膜图像，建立二值掩膜图像的多任务损失函数；

S3、通过不断调整二值分类、边框回归、Mask掩膜的参数以减小多任务损失函数的值，直至得到多任务损失函数的全局最优解；

S4、将多任务损失函数的全局最优解、权重矩阵代入到变电站工程现场的设备与建筑图像处理目标函数中，多次迭代改进Mask-RCNN网络模型参数，直至得到图像处理目标函数的最优解，对图像处理目标函数的最优解进行处理分析即可得到装配式变电站基建项目工程现场进度识别的最终结果。

2.根据权利要求1所述的一种基于改进Mask-RCNN的变电站现场进度识别方法，其特征在于：

步骤S4中，所述权重矩阵，为样本数据集和待检测数据集的数量，的表达式如下：

；

上式中，、、分别为限制装配式变电站设备和建筑图像的颜色特征向量、纹理特征向量、形状特征向量对于相似性测度的实际贡献度，、、分别为限制装配式变电站设备和建筑图像的个颜色特征向量、个纹理特征向量、个形状特征的总相似性测度的实际贡献度，、、分别为装配式变电站电力设备和建筑待检测数据集中第个图像的颜色特征向量、纹理特征向量、形状特征向量，、、分别为装配式变电站电力设备和建筑样本数据集中第个图像的颜色特征向量、纹理特征向量、形状特征向量，为待检测数据集，为样本数据集，为图像在数据集中的时序序号；

所述图像处理目标函数的表达式如下：

；

上式中，为损失函数，为激活函数，为待检测数据集，为权重矩阵，为灰度图像函数，为样本数据集和待检测数据集的数量。

3.根据权利要求2所述的一种基于改进Mask-RCNN的变电站现场进度识别方法，其特征在于：

步骤S4中，所述图像处理目标函数的最优解的表达式如下：

；

上式中，为图像处理目标函数的最优解，为样本数据集和待检测数据集的数量，为灰度图像函数，为激活函数，为样本数据集，为权重矩阵，为激活函数对权重矩阵的偏导，为正则化系数。

4.根据权利要求1-3中任一项所述的一种基于改进Mask-RCNN的变电站现场进度识别方法，其特征在于：

步骤S2中，所述多任务损失函数的表达式如下：

；

上式中，、、分别为二值分类误差函数、边框回归误差函数、Mask掩膜分割误差函数。

5.根据权利要求1-3中任一项所述的一种基于改进Mask-RCNN的变电站现场进度识别方法，其特征在于：

步骤S2中，通过RPN网络对特征图的ROI进行提取和过滤具体为：先利用非极大抑制法减少特征图中候选ROI的数量、增加有效ROI的数量，然后根据ROI特征层数计算公式对有效ROI进行过滤得到最合适尺寸的特征图，实现对ROI的提取和过滤，其中，所述ROI特征层数计算公式为：

；

上式中，为此ROI使用的特征图层数，、分别为此ROI的高和宽，为样本数据集中图像的标准大小，为面积为的ROI所应该在的层级；

所述非极大抑制法为：先以利用分类器获得候选ROI中属于检测目标类别的概率值作为得分，并对所有ROI的得分进行排序，然后选中得分最高的ROI，遍历其余ROI并将与得分最高的ROI之间的交并比超过设定阈值的ROI删除，在未被删除的ROI中继续选中得分最高的ROI并重复上述过程。