[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

本發明涉及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，包括：(1)識別出輸電線；(2)先對于兩條最外圍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，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)構建改進后的DSSD網絡模型；(4)對改進后的DSSD網絡模型進行訓練；(5)將待檢測的圖像經過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。本發明在于針對輸電網絡進行有針對性的監控，根據輸電線走向與距離的關系完成區域劃分進而實現對小目標高效準確的識別，兼顧了小目標識別準確性的同時提高了速度。

技術領域

本發明涉及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，屬于目標檢測技術領域。

背景技術

目標檢測技術是一種與計算機視覺和圖像處理有關的計算機技術，近年來，由于卷積神經網絡的發展和硬件算力的提升，基于深度學習的目標檢測正快速發展。為了提高神經網絡的泛化性能，提出了ALexNet、VGG、GoogLetNet和ResNet等不同結構的神經網絡。卷積神經網絡CNN是最具代表的深度學習模型。目標檢測算法也從two-stage算法發展升級到了one-stage算法，大大提升了網絡速度。基于回歸的目標檢測算法YOLO直接使用了一個卷積神經網絡實現了整個檢測過程，具有速度快、泛化能力強的特點，但是損失了一定的精度，mAP降低了。SSD系列采用了多尺度特征圖用于檢測，以VGG16為主干網絡并且添加了新的卷積層以獲得不同大小的特征圖，直接采取卷積進行檢測，提升了檢測速度，但是對于小目標的檢測能力不足。為了提高對小目標的檢測能力，DSSD方法將主干網絡換成ResNet-101，增強了網絡提取的能力，修改了預測米快，增加了反卷積模塊，提高了對于小目標和密集目標的檢測率，但是由于網絡層數申具深，網絡結構復雜，檢測速度大幅降低。由于感受野過大，且卷積神經網絡中使用了池化層，導致特征圖上特征點的感受野會比下采樣率大很多，因此在一個特征圖點上包含小目標物體的概率就會更小了。同時，特征圖的細節特征在網絡提取的過程中會隨著深度的增加導致語義信息的減少。這導致了小目標檢測的精度準確率較低。如何兼顧速度與小目標檢測的精度是目前目標檢測算法的一大難題。

發明內容

針對現有技術的不足，針對于對電力資源網絡傳輸中輸電線的精確監控防護，本發明提供了一種基于加權反卷積層數改進SSD算法的輸電線目標檢測方法，在改進SSD算法的基礎上，通過輸電線的走向判斷距離遠近進而判斷預測需要的目標大小，從而有針對性的通過設置不同的反卷積層數來進行目標識別，實現了提高運算速度并且同時兼顧小目標識別準確性的功能。

本發明還提供了一種計算機設備和存儲介質。

術語解釋：

1、radon變換，拉東變換，是一個積分變換，它將定義在二維平面上的一個函數f(x,y)沿著平面上的任意一條直線做線積分，相當于對函數f(x,y)做CT掃描。

2、feature maps，在每個卷積層，數據都是以三維形式存在的。你可以把它看成許多個二維圖片疊在一起，其中每一個稱為一個feature map。在輸入層，如果是灰度圖片，那就只有一個feature map；如果是彩色圖片，一般就是3個feature map(紅綠藍)。層與層之間會有若干個卷積核(kernel)，上一層和每個feature map跟每個卷積核做卷積，都會產生下一層的一個feature map。

3、softmax分類，將多個神經元的輸出，映射到(0,1)區間內，可以看成概率來理解，從而來進行多分類。

本發明采用以下技術方案：

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，包括以下步驟：

(1)根據已有的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；