[發明專利]一種基于加權反卷積層數改進DSSD算法的輸電線目標檢測方法、設備及存儲介質

有效

• 申請號: 202110440584.4
• 申請日: 2021-04-23
• 公開（公告）號: CN113361322B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 范繼輝;趙明悅;周莉
• 申請（專利權）人: 山東大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 楊樹云

1.一種基于加權反卷積層數改進DSSD算法的輸電線目標檢測方法，其特征在于，包括以下步驟：

(1)基于邊緣繪圖參數自由算法的輸電線識別技術，識別出輸電線；

(2)先對步驟(1)識別出的多根輸電線中兩條最外圍邊緣輸電線求最佳擬合直線，再根據圖像的輸電線所在區域取最佳擬合梯形，保持最佳擬合梯形重心不變對最佳擬合梯形進行擴大，擴大后即為從輸入圖像提取的檢測范圍；

(3)取擴大后的最佳擬合梯形中與上底、下底平行的若干條直線，將梯形的高平均分為長度相等的五段，將最佳擬合梯形從上到下分成五個面積不等的部分，面積最小的部分經過六層反卷積層，反卷積層層數按步長為1依次遞減，直至面積最大的部分經過二層反卷積層，構建改進后的DSSD網絡模型；檢測框架的總體目標損失函數由中心位置損失L_loc和置信損失L_conf的加權和表示；

(4)將步驟(2)得到的從輸入圖像提取的檢測范圍輸入步驟(3)構建的改進后的DSSD網絡模型進行訓練；

(5)將待檢測的圖像經過步驟(1)、步驟(2)處理后輸入訓練好的改進后的DSSD網絡模型，得到輸電線的檢測結果；

步驟(2)中，根據圖像的輸電線所在區域取最佳擬合梯形，是指：連接輸電線最外圍兩根邊緣電線，獲得四邊形，取四邊形中與最外圍兩根邊緣電線重合的線段為梯形的腰，另外兩條邊求取多種不同斜率的相互平行線段對,構成梯形的上底和下底，構成多種梯形中,與四邊形重合面積與梯形面積比值最大的梯形即為最佳擬合梯形。

2.根據權利要求1所述的一種基于加權反卷積層數改進DSSD算法的輸電線目標檢測方法，其特征在于，改進后的DSSD網絡模型包括卷積層conv1、卷積層conv2_x、卷積層conv3_x、卷積層conv4_x、卷積層conv5_x、卷積層conv6_x、卷積層conv7_x、卷積層conv8_x、卷積層conv9_x、卷積層conv10_x、deconv1_x、deconv2_x、deconv3_x、deconv4_x、deconv5_x、deconv6_x；

經過六層反卷積層時，則從卷積層conv2_x、卷積層conv3_x、卷積層conv6_x、卷積層conv7_x、卷積層conv8_x、卷積層conv9_x、卷積層conv10_x和反卷積層deconv1_x、反卷積層deconv2_x、反卷積層deconv3_x、反卷積層deconv4_x、反卷積層deconv5_x、反卷積層deconv6_x提取出作為檢測所用的feature maps，卷積層conv4_x與反卷積層deconv1_x，卷積層conv5_x與反卷積層deconv2_x，卷積層conv6_x與反卷積層deconv3_x，卷積層conv7_x與反卷積層deconv4_x,卷積層conv8_x與反卷積層deconv5_x，卷積層conv9_x與反卷積層deconv6_x融合一起作檢測；

經過五層反卷積層時，則從卷積層conv3_x、卷積層conv6_x、卷積層conv7_x、卷積層conv8_x、卷積層conv9_x、卷積層conv10_x和反卷積層deconv1_x、反卷積層deconv2_x、反卷積層deconv3_x、反卷積層deconv4_x、反卷積層deconv5_x提取出作為檢測所用的feature maps，卷積層conv3_x與反卷積層deconv1_x，卷積層conv6_x與反卷積層deconv2_x，卷積層conv7_x與反卷積層deconv3_x，卷積層conv8_x與反卷積層deconv4_x,卷積層conv9_x與反卷積層deconv5_x融合一起作檢測；

經過四層反卷積層時，則從卷積層conv3_x、卷積層conv6_x、卷積層conv7_x、卷積層conv8_x、卷積層conv10_x和反卷積層deconv1_x、反卷積層deconv2_x、反卷積層deconv3_x、反卷積層deconv4_x提取出作為檢測所用的feature maps，卷積層conv3_x與反卷積層deconv1_x，卷積層conv6_x與反卷積層deconv2_x，卷積層conv7_x與反卷積層deconv3_x，卷積層conv8_x與反卷積層deconv4_x融合一起作檢測；

經過三層反卷積層時，則從卷積層conv3_x、卷積層conv6_x、卷積層conv7_x和反卷積層deconv1_x、反卷積層deconv2_x、反卷積層deconv3_x提取出作為檢測所用的featuremaps，卷積層conv3_x與反卷積層deconv1_x，卷積層conv6_x與反卷積層deconv2_x，卷積層conv7_x與反卷積層deconv3_x融合一起作檢測；

經過二層反卷積層時，則從卷積層conv3_x、卷積層conv6_x和反卷積層deconv1_x、反卷積層deconv2_x提取出作為檢測所用的feature maps，卷積層conv3_x與反卷積層deconv1_x，卷積層conv6_x與反卷積層deconv2_x融合一起作檢測；

對于每一個feature maps，設置先驗框，設定第k個feature maps，先驗框比例公式如式(Ⅰ)所示：

式(Ⅰ)中，m為特征圖的個數；S_min，S_max分別為比例的最小值和最大值，S_min取0.2，S_max取0.95，分別代表特征圖上先驗框占輸入圖像的比例；在每一個feature maps上,加入了Faster R-CNN的anchors機制，對每一特征圖上的先驗框采取不同寬高比，采用的寬高比r＝{1,2,1/2,3,1/3}；每一個先驗框的中心為f_k為特征圖的大??；

得到特征圖后，對特征圖進行卷積得到檢測結果，這些大小不同的feature maps同時進行softmax分類和位置回歸。