[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的電纜巡檢圖片目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010667060.4
• 申請(qǐng)日: 2020-07-13
• 公開（公告）號(hào): CN113935226A
• 公開（公告）日: 2022-01-14
• 發(fā)明（設(shè)計(jì)）人: 孫鳴赫;王東海;周平;陳偉;姚天翼;翟超超;高源
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)江蘇省電力有限公司南京供電分公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F113/04;G06F113/16;G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/82
• 代理公司: 南京同澤專利事務(wù)所(特殊普通合伙) 32245
• 代理人: 閆彪

本發(fā)明涉及電力線通信技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的電纜巡檢圖片目標(biāo)檢測(cè)方法。本發(fā)明包括步驟一：獲取巡檢圖片，建立目標(biāo)檢測(cè)的分類類別；步驟二：向模型輸入包含所述分類類別的圖片；步驟三：將獲取的分類類別的圖片作為訓(xùn)練樣本，采用卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，訓(xùn)練網(wǎng)絡(luò)，確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；步驟四：將實(shí)時(shí)采集的圖片輸入到步驟三中訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出目標(biāo)圖形檢測(cè)結(jié)果。本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)電纜巡檢圖片目標(biāo)，引入目標(biāo)檢測(cè)模型確定性能最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)，可以有效檢測(cè)電纜巡檢圖片目標(biāo)，所提方法的計(jì)算準(zhǔn)確度可以外部環(huán)境背景干擾的影響，有助于實(shí)現(xiàn)電纜巡檢圖片目標(biāo)的正確檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及電力線通信技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的電纜巡檢圖片目標(biāo)檢測(cè)方法。

背景技術(shù)

電纜巡檢一般分為設(shè)備巡檢和通道巡檢。設(shè)備巡檢主要針對(duì)電纜主設(shè)備及附屬設(shè)施進(jìn)行外觀變化的識(shí)別和電氣參數(shù)的測(cè)量。通道巡檢主要防止地下電纜通道上方地面的施工機(jī)械對(duì)電纜設(shè)備產(chǎn)生外力破壞。在通道的巡檢圖片中，如出現(xiàn)挖掘機(jī)類的機(jī)械設(shè)備，或施工圍擋等物體，往往表示鉆地施工可能會(huì)對(duì)附近的地下電纜通道造成嚴(yán)重破壞。所以在高壓電纜的日常運(yùn)行維護(hù)中，可以通過發(fā)現(xiàn)通道巡檢圖片中出現(xiàn)的危險(xiǎn)源信息來及時(shí)對(duì)危險(xiǎn)行為進(jìn)行干預(yù)，防止外力破壞的產(chǎn)生。通過多起外力破壞事故的分析，發(fā)現(xiàn)對(duì)巡檢圖片中外力破壞危險(xiǎn)源的人工漏檢是導(dǎo)致外力破壞事故的重要因素，所以電纜巡檢圖片的人工檢測(cè)方式需要智能手段來代替。

目前，大多數(shù)文獻(xiàn)所提出的電纜巡檢圖片目標(biāo)檢測(cè)方法容易受到外部環(huán)境背景干擾的影響。因而需要尋找一種檢測(cè)精度高、計(jì)檢測(cè)速度快的方法，以獲取運(yùn)行高壓電纜巡檢狀態(tài)。

發(fā)明內(nèi)容

本發(fā)明為了解決上述技術(shù)問題提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的電纜巡檢圖片目標(biāo)檢測(cè)方法，本方法具體為：一種基于卷積神經(jīng)網(wǎng)絡(luò)的電纜巡檢圖片目標(biāo)檢測(cè)方法，包括以下步驟：

步驟一：獲取巡檢圖片，建立目標(biāo)檢測(cè)的分類類別，所述分類類別包括挖掘機(jī)(digger)、安全帽(helmet)和施工圍擋(fence)，并對(duì)所述分類類別進(jìn)行基于YOLO-TN和YOLOv3的模型構(gòu)建；

步驟二：構(gòu)建完成的模型包括輸入層、隱含層、承接層、輸出層，然后向所述模型輸入包含所述分類類別的圖片；

步驟三：將獲取的所述分類類別的圖片作為訓(xùn)練樣本，采用卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，訓(xùn)練網(wǎng)絡(luò)，確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟四：將實(shí)時(shí)采集的圖片輸入到所述步驟三中訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出目標(biāo)圖形檢測(cè)結(jié)果。

上述方案的進(jìn)一步改進(jìn)在于：所述卷積神經(jīng)網(wǎng)絡(luò)是由寬度、高度和深度構(gòu)成的三維結(jié)構(gòu)，進(jìn)行圖像識(shí)別和目標(biāo)檢測(cè)任務(wù)時(shí)表達(dá)式如下：

其中式中，D為通道數(shù)量，即卷積核數(shù)量，F(xiàn)為卷積核尺寸，為卷積核的第d層通道第m行第n列權(quán)重，為第l層輸出矩陣的第d層通道第i行第j列數(shù)值。

上述方案的進(jìn)一步改進(jìn)在于：所述卷積神經(jīng)網(wǎng)絡(luò)的梯度包含權(quán)重值w_i，j和偏置項(xiàng)w_b兩部分，在二維運(yùn)算的情況下，有下式：

input^l-1＝f_conv(W^l-1，a^l-2)+_wb；

其中，inputl^-1表示第l-1層的加權(quán)輸入，矩陣中每一點(diǎn)的數(shù)值是 l-1層的相對(duì)應(yīng)的前一層l-2層m×n區(qū)域內(nèi)的元素值分別與m×n卷積核中對(duì)應(yīng)權(quán)重值相乘之后的數(shù)值之和再加上偏置項(xiàng)w_b；

所述l-1層經(jīng)過激活函數(shù)的輸出如下式：

則l層的輸入為：