[发明专利]一种基于深度学习的航拍巡线影像自动分类系统

摘要

本发明涉及一种基于深度学习的航拍巡线影像自动分类系统。该方法包括：建立巡线影像分类图像库及其标签库；建立深度学习模型，包括VGGNet、ResNet、DenseNet、NasNet等高性能分类模型；训练分类模型，训练过程中每次迭代的输入数据都随机执行数据增强操作，包括旋转、填充式裁剪、灰度化；将训练好的四个模型进行集成，获得集成模型；设定分类规则，将待检测影像输入集成模型，取置信度前三的三个图像类别作为待检测影像的分类结果，拷贝存储至三个类别的服务器存档地；持续优化分类模型，定期对自动分类系统进行性能升级。

主权项

1.一种基于深度学习的航拍巡线影像自动分类系统，其特征在于，包括如下步骤：步骤S1、建立巡线影像分类图像库及其标签库：包括不同类别部件的无人机巡线图片，所有图片分为八类：杆塔、基础、绝缘子、接地装置、附属设施、导地线、小金具、大金具；其中附属设施包括防鸟设施和杆塔标识牌，小金具包含螺栓和螺母等紧固件，大金具包含防震锤、线夹、均压环和间隔棒；每种图像类别皆包含故障图片和非故障图片，两者数量相近，所有图片按照八个类别进行不区分故障的标注；步骤S2、建立深度学习模型：建立深度卷积神经网络VGGNet、ResNet、DenseNet、NasNet高性能分类模型；步骤S3、数据增强：利用数据增强技术扩充步骤S1的图像库，增加图像库的内容多样性，具体做法是将图像库中的一张原图通过包括旋转、填充式裁剪、灰度化数据的增强操作，变换为一张新的图像；增强操作只出现在训练过程中，所有的操作以一定概率施加在原图上，然后作为本次模型迭代训练的输入数据；步骤S4、训练巡线影像分类模型：对步骤S1建立的巡线影像分类图像库及其标签库进行训练集与测试集的划分，利用步骤S2所建立的多种网络模型通过反向传播算法在训练集上训练，训练过程中利用步骤S3的数据增强方式提升模型性能，最终得到不同网络的巡线影像分类模型；步骤S5、模型集成：生成深度学习多网络集成模型，将不同网络输出的类别置信度进行加权平均，获得最终的分类结果；步骤S6、分类规则设定：将待检测的影像输入到集成模型中，取置信度前三的三个图像类别作为待检测影像的分类结果，拷贝存储至三个类别的存档地；步骤S7、分类模型的持续优化：每隔数个运检周期，从系统数据库内取出分类好的数据，经过人工复核后，更新巡线影像分类图像库及其标签库，重复步骤S2到步骤S5，其中，将步骤S4的初始化模型更换为系统之前训练好的分类模型，训练结束后，将本次训练好的四个网络模型进行集成，作为系统的集成模型。