[發(fā)明專利]一種結合形狀屬性的電力巡檢圖像金具檢測方法

在審

• 申請?zhí)枺?/td>: 202010002183.6
• 申請日: 2020-01-02
• 公開（公告）號: CN111179262A
• 公開（公告）日: 2020-05-19
• 發(fā)明（設計）人: 尹子會;趙冀寧;范曉丹;付煒平;王東輝;劉洪吉;李延旭;甄珍;趙振兵
• 申請（專利權）人: 國家電網(wǎng)有限公司;國網(wǎng)河北省電力有限公司檢修分公司;華北電力大學（保定）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 彭鋰

1.一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：其包括以下步驟，

(1)全局特征提取：用圖像分類網(wǎng)絡VGG-16提取全局特征；

(2)感興趣區(qū)域獲取：將提取的全局特征輸入?yún)^(qū)域建議網(wǎng)絡；

(3)分別進行分類預測和邊界框分布預測；

(4)損失函數(shù)計算：分類損失計算、結合形狀屬性的KL散度邊界框回歸損失計算；

(5)模型訓練。

2.根據(jù)權利要求1所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(1)中，提取目標特征的卷積神經(jīng)網(wǎng)絡選用圖像分類網(wǎng)絡VGG-16提取，該網(wǎng)絡在數(shù)據(jù)集ImageNet上進行預測訓練產生初始網(wǎng)絡參數(shù)，將金具數(shù)據(jù)集中原始圖像輸入該網(wǎng)絡產生深層特征圖，提取目標特征的卷積神經(jīng)網(wǎng)絡相應的卷積層激活函數(shù)為線性修正單元函數(shù)。

3.根據(jù)權利要求1所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(2)中，根據(jù)預設的anchor box值產生對應于輸入圖像中的建議區(qū)域，并使用非極大值抑制方法進行篩選。

4.根據(jù)權利要求3所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(2)中，對于IoU值大于0.7的anchor box規(guī)定為正樣本，IoU值小于0.3的anchorbox規(guī)定為負樣本，其他樣本進行舍棄；RoI pooling將不同輸入尺寸的特征圖通過分塊池化的方法生成固定尺寸的感興趣區(qū)域，進而將感興趣區(qū)域的局部特征輸入到分類網(wǎng)絡和回歸網(wǎng)絡的全連接層中進行分類和定位。

5.根據(jù)權利要求3所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(3)中，進行分類預測的方法為，將得到的感興趣區(qū)域局部特征圖進行拉伸，由全連接網(wǎng)絡產生輸出值，之后通過softmax函數(shù)生成各類別預測概率，概率和為1，從而判斷anchor box內目標的確切類別并得到相應分類得分。

6.根據(jù)權利要求3所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(3)中，進行邊界框分布預測的方法為，采用一維高斯分布擬合數(shù)據(jù)，假設樣本的不同坐標數(shù)值之間相互獨立，一維高斯分布的概率密度函數(shù)為：

其中，x表示樣本值，x_e表示分布的期望值用于估計目標的坐標位置，Φ表示生成各預測值的網(wǎng)絡參數(shù)集合，σ表示分布的標準差用于估計預測位置的不確定性；

同時，將σ值趨近于0的目標坐標分布作為數(shù)據(jù)集中目標坐標真值的分布，得到坐標真值分布的表達式，為式(2)所示：

Q_D(x)＝δ(x-x_g) (2)

其中，x表示樣本值，x_g表示坐標真值，D表示x_g的參數(shù)集合，δ表示狄拉克函數(shù)。

7.根據(jù)權利要求1所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(4)中，

所述分類損失計算為保持Faster R-CNN原始模型的函數(shù)形式：所述函數(shù)為：

L_cls(p_i,p_i^*)＝-log[p_i^*p_i+(1-p_i^*)(1-p_i)] (3)

其中，p_i是第i個anchor框內目標的類別預測概率，i∈[1,2000]；p_i^*是第i個anchor框內目標的類別標簽。

8.根據(jù)權利要求1所述的一種結合形狀屬性的電力巡檢圖像金具檢測方法，其特征在于：步驟(4)中，結合形狀屬性的KL散度邊界框回歸損失計算中：

KL散度的定義式為：

其中，x表示樣本值，P和Q為兩個不同的概率分布。