[發明專利]一種基于ZF-Faster RCNNs的電纜隧道積水定位識別方法

有效

• 申請號: 201810559133.0
• 申請日: 2018-06-01
• 公開（公告）號: CN108985322B
• 公開（公告）日: 2019-11-22
• 發明（設計）人: 崔江靜;黃順濤;仇煒;裴星宇;朱五洲;江霖;劉淡冰;廖雁群;袁永毅
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司珠海供電局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04
• 代理公司: 44102 廣州粵高專利商標代理有限公司
• 代理人: 劉瑤云<國際申請>=<國際公布>=<進入

1.一種基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，包括以下步驟：

S1.通過隧道巡檢機器人攝像頭拍攝采集包含有積水的隧道積水樣本圖像；

S2.遍歷步驟S1中所述隧道積水樣本圖像，對每張樣本圖像用包圍框對積水區域進行標記處理，將包圍框內的像素點標記為積水類別，將包圍框外的像素點標記為背景類別，獲得訓練集；

S3.對步驟S2中所述訓練集中具有包圍框的隧道積水樣本圖像進行尺度縮放，將每張樣本圖像和包圍框的較長邊變換到預設目標尺寸，較短邊根據較長邊變換到預設目標尺寸的縮放尺度進行相同比例縮放；

S4.構建包含ZFnet網絡和RPN網絡的Faster R-CNN檢測網絡，使用PASCAL VOC2011Example Images對ZFnet網絡進行預訓練，所述RPN網絡和Faster R-CNN檢測網絡均為ZFnet網絡的基礎上增加功能層得到；

S5.使用步驟S4預訓練得到的ZFnet網絡對RPN網絡進行初始化，步驟S4中所述功能層進行卷積運算得到積水定位區域建議框；

S6.使用步驟S4預訓練得到的ZFnet網絡對Faster R-CNN檢測網絡進行初始化，將步驟S5中得到的積水定位區域建議框作為Faster R-CNN檢測網絡的輸入，進行層卷積、池化運算以及SVM分類器計算以判斷所述積水定位區域建議框是否存在隧道積水的結論以及積水區域的位置；

S7.重復步驟S5和步驟S6使用樣本圖像對Faster R-CNN檢測網絡進行訓練和微調，在誤差反向傳播的過程中調整矩陣的參數，得到適合用于電纜隧道積水定位識別的FasterR-CNN檢測網絡。

2.根據權利要求1所述的基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，步驟S4中所述的ZFnet網絡包括五個卷積層CONV1、CONV2、CONV3、CONV4、CONV5以及兩個全連接層FC6、FC7，所述卷積層CONV5輸出256通道的特征圖，所述全連接層FC6將256通道內的全部特征進行串聯生成4096維的高維特征向量。

3.根據權利要求1所述的基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，步驟S5中，對RPN網絡進行初始化后，在卷積層CONV5后增加卷積層CONV6，所述卷積層CONV6對卷積層CONV5輸出的特征進行滑窗式的卷積運算。

4.根據權利要求3所述的基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，所述滑窗式的卷積運算包括：對訓練集中樣本圖像的每個位置，考慮多個固定尺寬和長寬比的候選窗口；卷積層CONV6的輸出作為兩個獨立的全連接層box回歸層和box分類層的輸入，得到所述位置上9*2個窗口屬于目標的概率或屬于背景的概率，以及9*4個平移縮放參數。

5.根據權利要求1所述的基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，步驟S7中，所述微調采用隨機梯度下降法對Faster R-CNN檢測網絡進行微調訓練。

6.根據權利要求1至5任一項所述的基于ZF-Faster RCNNs的電纜隧道積水定位識別方法，其特征在于，在步驟S7后，還包括RPN網絡和Faster R-CNN檢測網絡共享卷積層的步驟以及采用Fast R-CNN檢測網絡的參數初始化RPN網絡初始化的步驟，所述共享卷積層的學習率為0。