[發明專利]一種電力線巡檢影像密集匹配方法

在審

• 申請號: 202011359543.4
• 申請日: 2020-11-27
• 公開（公告）號: CN112418336A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 陳亮;夏國飛;董承熙;譚麒;李俊宏;曾彥超;李廣俊
• 申請（專利權）人: 廣東電網有限責任公司肇慶供電局
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G07C1/20
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉瑤云

本發明涉及電力巡檢技術領域，具體涉及一種電力線巡檢影像密集匹配方法，采用級聯學習的策略，分為兩個網絡進行學習；第一個網絡將輸入的立體影像進行初步特征提取和初步視差估計；第二個網絡在第一個網絡的基礎上，對初步視差估計過程進行視差精化，從而得到最終的匹配結果。本發明的電力線巡檢影像密集匹配方法，能夠實現電力線巡航的自動化巡檢工作，而且能夠快速高效地實現大規模的巡檢工作，并且在多尺度卷積的作用下，使得匹配的結果能夠適應不同尺度的匹配變化。

技術領域

本發明涉及電力巡檢技術領域，具體涉及一種電力線巡檢影像密集匹配方法。

背景技術

無人機影像進行電力巡線相比于人工巡線有著高效、安全等多方面的優點。其中，利用航空影像進行密集匹配，從而獲得逐個像素的視差值是恢復電力沿線真實三維模型的重要步驟。在實現無人機影像密集匹配的過程中，按照是否采用深度學習的方法可以分為基于傳統算法的密集匹配和基于深度學習算法的密集匹配。

傳統的影像密集匹配方法往往會因受到光照不均勻、低紋理或重復紋理等一系列病態問題導致匹配精度，魯棒性受到影響。近些年隨著深度學習的不斷發展，學者們意識到基于深度學習的圖像處理方法能夠大幅度地提高圖像處理的效果。在影像密集匹配領域，不少學者也提出各種基于深度學習的密集匹配方法。

中國專利CN109146937A公開了一種基于深度學習的電力巡檢影像密集匹配方法，其基于的是一種名為PSMNet的新的密集匹配網絡，這種網絡結構結合了金字塔池化方法和3D卷積神經網絡方法，能夠較好的搜集匹配區域周圍的上下文信息，從而使得該方法在紋理缺乏、遮擋等病態區域有更好的表現，這也是本文的主要研究方法。但是PSMNet網絡沒有顧及到不同特征之間的重要性關系，沒有對重要性大的特征進行加權。

發明內容

為了克服現有技術所存在的缺陷，本發明提供了一種電力線巡檢影像密集匹配方法，能夠實現電力線巡航的自動化巡檢工作，而且能夠快速高效地實現大規模的巡檢工作，并且在多尺度卷積的作用下，使得匹配的結果能夠適應不同尺度的匹配變化。

為解決上述技術問題，本發明提供以下技術方案：

一種電力線巡檢影像密集匹配方法，基于的是級聯多尺度殘差學習網絡，采用級聯學習的策略，分為兩個網絡進行學習；第一個網絡將輸入的立體影像進行初步特征提取和初步視差估計；第二個網絡在第一個網絡的基礎上，對初步視差估計過程進行視差精化，從而得到最終的匹配結果。

進一步的，在初步特征提取的階段，采用多尺度卷積神經網絡來獲得不同尺度大小的特征信息，從而增加網絡對于不同特征信息的提取。

進一步的，采用的尺度分別是3x3，5x5以及7x7，從而能夠保證網絡對于多尺度特征的適應性。

進一步的，在第一個網絡中，采用連續的五層共享權值的卷積神經網絡對立體影像的左右影像進行特征提取，接下來通過拼接的方式將左右影像的初步特征進行一個重疊，最后通過三層的卷積神經網絡對視差進行預測估計。

進一步的，在網絡設計的過程中也加入殘差網絡的思想，通過將前一層學習的結果加到當前層的特征圖，從而使得網絡能夠結合低層次和高層次的特征，加入了殘差學習網絡的另一個優點是防止網絡出現梯度消失和梯度爆炸的情況出現，該層網絡采用Adam梯度下降算法對網絡的權重進行更新。

進一步的，在連接層的部分，直接將第五層提取的左右影像特征圖在特征通道上進行疊加，疊加后的特征通道數增加一倍，本發明沒有采用對左右特征圖的值直接相加的方法，因為直接相加處理加入了人為因素，而本網絡是一種端到端的訓練過程，因此，疊加后的特征圖由后續的卷積操作進行學習。

進一步的，疊加處理完成之后，采用連續的三個卷積層來提取出初步的視差結果，最終輸出一張視差圖，網絡采用回歸的方式獲得最終的視差結果，因此視差圖的精度可以達到子像素的精度。