[發明專利]基于圖卷積神經網絡的單目深度估計方法

在審

• 申請號: 202110237547.3
• 申請日: 2021-03-04
• 公開（公告）號: CN112967326A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 趙智龍;付煒平;張玉亮;王東輝;孟榮;范曉丹;劉洪吉;尹子會;張東坡
• 申請（專利權）人: 國網河北省電力有限公司檢修分公司;國家電網有限公司
• 主分類號: G06T7/50
• 分類號: G06T7/50;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: 呼春輝

本發明公開了基于圖卷積神經網絡的單目深度估計方法，涉及電力設備缺陷檢測技術領域；其包括如下步驟，S1下采樣操作，對電力設備的圖像的深度圖從粗到細進行下采樣，獲得用于重建圖的深度圖；S2加噪聲，基于S1步驟形成的用于重建圖的深度圖添加高斯噪聲；S3生成拓撲圖，基于S2步驟形成的添加高斯噪聲后的深度圖，根據深度間隔閾值θ生成相應稀疏程度的拓撲圖；S4深度拓撲圖過濾，基于S3步驟形成的拓撲圖進行過濾，獲得過濾后每一尺度深度的拓撲圖；其通過S1下采樣操作、S2加噪聲、S3生成拓撲圖和S4深度拓撲圖過濾等，實現了電力設備缺陷圖像分析效率較高。

技術領域

本發明涉及電力設備缺陷檢測技術領域，尤其涉及一種基于圖卷積神經網絡的單目深度估計方法。

背景技術

在圖像處理領域，深度學習網絡在對象分類和檢測方面取得了巨大的成功。主要原因是深度學習模型提取的特征優于人工特征。在單目深度估計問題中，深度學習網絡相對于傳統的圖像算法也具有很大的優勢。由于缺少視差數據，傳統算法無法直接推斷深度信息，因此這種任務可以看作是不適定的問題。目前的主要方法旨在從圖像中找到深度線索，并基于圖像特征估計深度，因此，深度估計的準確性很大程度上取決于圖像特征的質量。

先前現有的研究建立了一個基于單目相機估計深度的框架。它由一個編碼器網絡，一個解碼器網絡和一個完善的網絡組成。在此框架中，一個圖像作為輸入將通過編碼網絡投影到稀疏特征空間中。那種稀疏的特征代表了圖像的深度特征。解碼器網絡通過上采樣層將稀疏的深度特征投影到密集深度空間中。最近現有的研究表明，基于拓撲圖機制的微妙損失函數可以有效地改善訓練效果。

大多數深度估計算法都使用CNN提取特征信息，但是它們始終忽略深度信息的特征。因為深度圖的分布與RGB圖像不一致。例如，深度圖中的每個像素值不僅與相鄰像素值有關，而且與相同深度值的其他像素有關。CNN將受到卷積核感受域的限制。為了解決這個問題，現有技術提出了擴展卷積層，它擴展了卷積核的尺度，并用零填充了未占用的區域，該層的目的是用相同大小的參數擴展卷積核的感受野，與池化操作相比，它進一步減少了深層網絡中的信息丟失。這樣，模型可以在擴大感受野和保持圖像大小之間保持平衡。改善感受野的另一種方法是引入注意力機制。現有技術提出了一個基于注意力的CRF模型。現有技術提出了一種針對不同場景的通道注意機制。通過注意力機制，可以增強模型對局部特征的學習能力。

現有技術問題及思考：

如何解決電力設備缺陷圖像分析效率較低的技術問題。

發明內容

本發明所要解決的技術問題是提供一種基于圖卷積神經網絡的單目深度估計方法，其通過S1下采樣操作、S2加噪聲、S3生成拓撲圖和S4深度拓撲圖過濾等，實現了電力設備缺陷圖像分析效率較高。

為解決上述技術問題，本發明所采取的技術方案是：一種基于圖卷積神經網絡的單目深度估計方法包括如下步驟，S1下采樣操作，對電力設備的圖像的深度圖從粗到細進行下采樣，獲得用于重建圖的深度圖；S2加噪聲，基于S1步驟形成的用于重建圖的深度圖添加高斯噪聲；S3生成拓撲圖，基于S2步驟形成的添加高斯噪聲后的深度圖，根據深度間隔閾值θ生成相應稀疏程度的拓撲圖；S4深度拓撲圖過濾，基于S3步驟形成的拓撲圖進行過濾，獲得過濾后每一尺度深度的拓撲圖。

進一步的技術方案在于：在S1步驟中，通過最大池、隨機池和均值池向下采樣操作。

進一步的技術方案在于：在S1步驟中，深度圖分為形狀相同的塊，該塊作為節點，其邊緣信息由深度值和塊的位置組成。

進一步的技術方案在于：在S1步驟中，操作為Pooling(·)。

進一步的技術方案在于：在S2步驟中，在添加高斯噪聲時，根據需要約束深度值上限。

進一步的技術方案在于：在S3步驟中，通過Interval(·)計算深度間隔閾值θ。