[發(fā)明專利]一種電力電纜隧道內(nèi)目標(biāo)檢測的方法

有效

• 申請?zhí)枺?/td>: 202010399937.6
• 申請日: 2020-05-12
• 公開（公告）號: CN111563557B
• 公開（公告）日: 2023-01-17
• 發(fā)明（設(shè)計）人: 郭修宵;武繼軍;耿一丁;徐明磊;薛欣科;朱文;溫飛;趙凱;衣蘭曉;李洪磊
• 申請（專利權(quán)）人: 山東科華電力技術(shù)有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V40/10;G06V10/82;G06V10/762;G06V10/764;G06V10/766;G06V10/774;G06V10/44;G06N3/0464;G06N3/047;G06N3/082
• 代理公司: 濟(jì)南誠智商標(biāo)專利事務(wù)所有限公司 37105
• 代理人: 李修杰

1.一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，包括以下步驟：

S1，獲取目標(biāo)圖像數(shù)據(jù)集，并按照比例劃分為訓(xùn)練集和測試集；

S2，對數(shù)據(jù)集中目標(biāo)進(jìn)行人工標(biāo)注；

S3，對標(biāo)注后的訓(xùn)練集進(jìn)行預(yù)處理；

S4，提取訓(xùn)練集中目標(biāo)信息；

S5，基于YOLOV3網(wǎng)絡(luò)搭建目標(biāo)檢測模型；

S6，利用訓(xùn)練集數(shù)據(jù)對目標(biāo)檢測模型進(jìn)行訓(xùn)練；

S7，采用訓(xùn)練好的目標(biāo)檢測模型對電力電纜隧道內(nèi)目標(biāo)進(jìn)行檢測；

所述步驟S6具體為：根據(jù)建立目標(biāo)檢測模型獲取在 COCO 數(shù)據(jù)集上對 80 類物體預(yù)訓(xùn)練模型，將原始目標(biāo)類別80改為4，在YOLOV3主網(wǎng)絡(luò)之后又增加了 3 個卷積層，與YOLOv3原有的 3個卷積層共同構(gòu)建成含有 6個不同尺度卷積層的特征金字塔，同時去掉網(wǎng)絡(luò)的上采樣過程，通過stride為2的卷積實現(xiàn)下采樣，以 2 倍步長對該特征金字塔執(zhí)行下采樣操作，與建立的目標(biāo)檢測模型進(jìn)行融合形成深度融合的快速目標(biāo)檢測模型，在訓(xùn)練集上對快速目標(biāo)檢測模型進(jìn)行訓(xùn)練；

所述步驟S4具體為：根據(jù)標(biāo)注信息得到訓(xùn)練樣本中隧道中人的頭部安全帽區(qū)域與防火門區(qū)域的標(biāo)注框尺寸信息提取出來，采用K-means聚類得到頭部安全帽區(qū)域與防火門先驗框的尺寸，并利用設(shè)定的3種尺度先驗框聚類出9種尺寸的先驗框；

所述9種尺寸的先驗框分別是：(17x28)，(32x26)，(33x57)，(56x37)，(66x88)，(74x76)，(135x156)，(182x229)，(240x307)；在最小的4*4、2*2特征圖上應(yīng)用較大的先驗框(135x156)，(182x229)，(240x307)；在中等的16*16、8*8特征圖上應(yīng)用中等的先驗框(56x37)，(66x88)，(74x76)；在較大的64*64、32*32特征圖上應(yīng)用較小的先驗框(17x28)，(32x26)，(33x57)。

2.根據(jù)權(quán)利要求1所述的一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，所述步驟S1具體為：通過安裝在電力電纜隧道內(nèi)的AI攝像機獲取大量不同場景下的有人或者防火門的視頻圖像，每隔兩秒保存一幅圖像，并刪除拍攝質(zhì)量過差的圖片，將采集圖像按照4：1比例劃分為訓(xùn)練集和測試集。

3.根據(jù)權(quán)利要求1所述的一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，所述步驟S2具體為：對數(shù)據(jù)集中目標(biāo)進(jìn)行標(biāo)注的對象包括帶安全帽、不帶安全帽、防火門開和防火門關(guān)四種類別，標(biāo)注后并保存圖像中每種目標(biāo)的大小、位置和類別信息。

4.根據(jù)權(quán)利要求1所述的一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，所述步驟S3具體為：檢查是否有類別名標(biāo)錯或漏標(biāo)的圖像；將標(biāo)注好的訓(xùn)練集分辨率統(tǒng)一調(diào)整到416*416大小；制作VOC格式的訓(xùn)練集。

5.根據(jù)權(quán)利要求4所述的一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，所述制作VOC格式數(shù)據(jù)集的過程具體為：將圖像數(shù)據(jù)和標(biāo)注信息一起制作成PASCAL VOC格式的訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集包含Annotations、ImageSets和JPEGImages三個文件夾：Annotations文件夾存放圖片標(biāo)注信息的xml文件，ImageSets文件夾存放的都是txt文件，txt文件中每一行包含一個圖片的名稱，這些txt文件將數(shù)據(jù)集的圖片分成訓(xùn)練集和測試集集合，JPEGImages文件夾包含所有的訓(xùn)練和測試驗證圖像。

6.根據(jù)權(quán)利要求1所述的一種電力電纜隧道內(nèi)目標(biāo)檢測的方法，其特征是，所述步驟S5具體為：在Darknet深度學(xué)習(xí)框架中構(gòu)建檢測算法，以YOLOv3檢測算法為基礎(chǔ)，選取Darknet-53的網(wǎng)絡(luò)結(jié)構(gòu)，包含卷積層、池化層和Softmax層，采用全卷積，引入residul結(jié)構(gòu)，采用Softmax分類器做訓(xùn)練，學(xué)習(xí)率0.001，批量大小為4，為采用批量標(biāo)準(zhǔn)化對權(quán)重參數(shù)和偏置參數(shù)進(jìn)行迭代訓(xùn)練，設(shè)置權(quán)重衰減速率weight_decay默認(rèn)為0.0001，動力為0.9，批量標(biāo)準(zhǔn)化的衰減速率默認(rèn)為0.997，池化層采用平均池化方式，同時將最大池化的Padding的模式設(shè)為SAME，迭代測試80000次。