[發明專利]一種基于輕量級神經網絡的輸電線路場景分類方法

在審

• 申請號: 202010893898.5
• 申請日: 2020-08-31
• 公開（公告）號: CN112115986A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 李弘宸;楊忠;姜遇紅;韓家明;張馳;賴尚祥;方千慧
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于輕量級神經網絡的輸電線路場景分類方法，包括以下步驟：(1)配置輸電線路場景分類系統的運行環境；(2)設計包含卷積層的優化預測模塊，用來搭建輕量級神經網絡；(3)利用無人機搭載的相機捕捉輸電線路航拍圖像，并構建輸電線路場景分類數據集，將輸電線路航拍圖像分成訓練集和測試集；(4)將訓練集圖像輸入步驟(2)搭建的輕量級神經網絡，并對輕量級神經網絡進行訓練，將得到的網絡權重保存；(5)將測試集圖像輸入步驟(4)得到的網絡模型中進行測試，驗證網絡模型的性能。本發明對輸電線路復雜場景具有很強的適應能力，相對于VGG?16，FAST?VGG?16內存占比低且和分類精度高，有效去除無效信息，提高無人機巡檢的效率。

技術領域

本發明屬于模式識別領域，具體涉及一種基于輕量級神經網絡的輸電線路場景分類方法。

背景技術

隨著現代社會的不斷發展，人類的日常生活和工業對電力有著非常大的依賴。為了滿足現代社會對于電力的需求，輸電線路的長度逐年增加。為了保證輸電線路的正常運行，線路巡檢必不可少。由于人工巡檢的安全性差，效率低，所以近些年人工巡檢逐漸被無人機巡檢代替。

然而在無人機巡檢過程中，相機會捕捉大量不包含輸電線路關鍵部件的圖像。去除這些無效數據可以提高巡檢效率，所以對輸電線路場景進行分類是十分必要的。傳統的分類主要依靠支持向量機和神經網絡等機械學習算法，支持向量機等傳統機械學習算法的工作模式依賴圖像特征提取算法，特征提取算法得到的特征直接影響傳統機器學習的分類精度。然而，特征提取算法提取的圖像特征與圖像的高級語義有很大的差距，而且泛化性較差，這導致傳統機器學習算法在分類復雜場景問題時效果較差。輸電線路場景包含桿塔、樹木、草地和樓房等多種目標，而且隨著光照等外界條件的變化，輸電線路場景特征變化較大，所以傳統機器學習難以滿足輸電線路場景分類問題的性能要求。

隨著卷積神經網絡的發展，深度學習在語義分割、目標檢測和圖像分類等多種領域取得了顯著的成果。常見的分類網絡包括：AlexNet、GoogLeNet、VGG和ResNet等。卷積神經網絡不依賴人工圖像特征提取算法，直接通過卷積層、池化層提取圖像特征，最終利用全連接層對圖像類別進行預測，通過梯度下降法修改網絡權重，這種工作模式使神經網絡可以應對復雜場景的分類問題。然而用于預測的全連接層包含大量參數，過多的參數會導致網絡運行速度下降和占用內存增大，不利于搭載在無人機平臺上。

發明內容

發明目的：本發明的目的在于提供一種能夠去除無效數據，提高無人機巡檢效率的基于輕量級神經網絡的輸電線路場景分類方法。

技術方案：本發明的基于輕量級神經網絡的輸電線路場景分類方法，包括以下步驟：

(1)配置輸電線路場景分類系統的運行環境；

(2)設計包含卷積層的優化預測模塊，并利用所述優化預測模塊搭建輕量級神經網絡；

(3)構建輸電線路場景分類數據集，將輸電線路航拍圖像分成訓練集和測試集；

(4)將訓練集圖像輸入步驟(2)搭建的輕量級神經網絡，并對輕量級神經網絡進行訓練，將得到的網絡權重保存；

(5)將測試集圖像輸入步驟(4)得到的網絡模型中進行測試，驗證網絡模型的性能。

步驟(2)中，所述優化預測模塊包括兩個3×3卷積層、一個1×1的卷積層、兩個BN層以及兩個最大池化層。

所述優化預測模塊中，最后一層卷積層采用sigmoid作為激活函數，其余卷積層均采用Leaky ReLU作為激活函數。

所述激活函數Leaky ReLU的表達式如下：

式中，a表示區間(1,+∞)內的固定參數。

步驟(4)中，利用隨機梯度下降法對輕量級神經網絡進行訓練。