[發(fā)明專利]一種基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法

有效

• 申請?zhí)枺?/td>: 201810582294.1
• 申請日: 2018-06-07
• 公開（公告）號: CN109034184B
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計）人: 盧勝標(biāo);夏良標(biāo);莫止范;馮鵬程;顏毓宏;陳健文;石英;韓西坪;龐統(tǒng);劉曉偉;李德洋
• 申請（專利權(quán)）人: 廣西電網(wǎng)有限責(zé)任公司玉林供電局;武漢珈銘凱爾電氣科技發(fā)展有限公司;武漢傲睿爾科技有限公司
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢智權(quán)專利代理事務(wù)所(特殊普通合伙) 42225
• 代理人: 蔡忠祥

1.一種基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于，包括以下步驟：

S1、以采集的原均壓環(huán)圖像作為圖像源，進行預(yù)處理；

S2、對預(yù)處理后的均壓環(huán)圖像樣本，使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像多層次特征，形成均壓環(huán)訓(xùn)練圖像；

S3、將獲得的均壓環(huán)訓(xùn)練圖像組合形成樣本集，輸入待訓(xùn)練的檢測模型中，以無監(jiān)督的前向傳播算法和后向傳播算法交替進行的方式，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重以及偏置參數(shù)，最終確定最優(yōu)化的模型參數(shù)；

S4、根據(jù)最優(yōu)化的模型參數(shù)，初始化檢測網(wǎng)絡(luò)，批量采集輸電線路圖片數(shù)據(jù)，進行均壓環(huán)的自動識別和定位；

在所述步驟S2前，還包括：在預(yù)處理圖像的基礎(chǔ)上，通過對預(yù)處理后的均壓環(huán)圖像進行幾何變化、尺度擾動和/或顏色空間變換，生成多幅類似的均壓環(huán)圖像；

所述幾何變化的具體方法為：在規(guī)定范圍內(nèi)對圖像進行旋轉(zhuǎn)、改變圖像的大小以及位移來生成不同幾何變換條件下的新圖像；

所述尺度擾動是通過對目標(biāo)物體的大小以及形狀進行變換干擾，增加訓(xùn)練樣本集中目標(biāo)物體形狀、大小的多樣性；具體方法為單一尺度擾動和多尺度擾動相結(jié)合；

所述步驟S3中，采用由輸入向量和理想輸出向量構(gòu)成的向量對，輸入待訓(xùn)練的檢測模型中；

所述步驟S3中包括：

在訓(xùn)練圖像網(wǎng)絡(luò)的對后一個卷積層的特征圖后添加一個新的卷積層；在該卷積層進行卷積運算，獲得各位置對應(yīng)的多維特征向量，并通過該特征向量預(yù)測各位置屬于目標(biāo)的概率；將多維特征向量通道內(nèi)的全部特征串聯(lián)成高維特征向量作為輸入向量。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于：所述步驟S1中，根據(jù)拍攝圖像存在的問題進行預(yù)處理，所述存在的問題包括抖動和模糊，所述預(yù)處理包括防抖和去噪；其中，使用雙邊濾波或中值濾波對原均壓環(huán)圖像進行去噪處理。

3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于，所述顏色空間變換的具體方法包括：

對樣本集RGB圖像進行PCA主成分變換，獲得主成分變量及其對應(yīng)特征值；

對特征值分配不同的系數(shù)，以實現(xiàn)對圖像光照強度和飽和程度的變換，上述步驟中主成分變量及其對應(yīng)特征值由如下公式計算：

其中，pⁱ(i＝1,2,3)為圖像RGB通道對應(yīng)的特征向量，λⁱ(i＝1,2,3)為特征向量對應(yīng)的特征值，αⁱ(i＝1,2,3)為每個特征值的擾動系數(shù)，該系數(shù)通過均值為1，標(biāo)準(zhǔn)差為0.1的高斯函數(shù)獲得。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于，所述步驟S2具體包括：

使用視覺方法在預(yù)處理后的均壓環(huán)圖像樣本中生成大量候選區(qū)域；對每個候選區(qū)域使用卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，形成高維特征向量；將獲得的高維特征向量送入線性分類器，計算屬于各個類別的概率，判斷其所包含的對象；通過精細(xì)回歸計算目標(biāo)外圍框的位置和大小。

5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于，所述步驟S4具體包括：

對輸入圖像進行卷積運算，獲得特征圖；

使用區(qū)域建議網(wǎng)絡(luò)在特征圖上生成多個候選區(qū)域框；

對候選區(qū)域框內(nèi)容通過非最大值抑制算法進行評分篩選，按預(yù)設(shè)數(shù)量保留得分較高的候選區(qū)域框；

取特征圖上候選區(qū)域框內(nèi)的特征形成高維特征向量，由檢測網(wǎng)絡(luò)計算類別得分，并預(yù)測更合適的目標(biāo)外圍框位置。

6.如權(quán)利要求5所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于：所述步驟S4中，通過分類函數(shù)判斷候選區(qū)域框是否目標(biāo)區(qū)域，通過邊框回歸函數(shù)獲得目標(biāo)。

7.如權(quán)利要求1所述的基于深度學(xué)習(xí)的均壓環(huán)檢測識別方法，其特征在于：在所述步驟S3前，對權(quán)重矩陣中所有的權(quán)重值使用不同的小隨機數(shù)進行初始化。