[發(fā)明專利]基于Faster R-CNN的電力線異物檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111228906.5
• 申請(qǐng)日: 2021-10-21
• 公開（公告）號(hào): CN113989209A
• 公開（公告）日: 2022-01-28
• 發(fā)明（設(shè)計(jì)）人: 饒佳豪;田猛;王少飛;鄭涵;姚鴻泰;李博文;龔立;王先培
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/13;G06T5/30;G06T1/60;G06N3/04;G06N3/08;G06K9/62;G06V10/25;G06V10/774;G06V10/82
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 彭艷君

1.基于Faster R-CNN的電力線異物檢測(cè)方法，包括訓(xùn)練模式和診斷模式；其特征在于：包括以下步驟：

步驟1、對(duì)巡檢圖像進(jìn)行圖像預(yù)處理，包括圖像灰度化、圖像灰度均衡化、對(duì)圖像進(jìn)行高斯濾波，去除在圖像采集時(shí)出現(xiàn)的高斯噪聲；

步驟2、對(duì)預(yù)處理后的圖像利用Sobel算子進(jìn)行邊緣提取、然后對(duì)提取的邊緣二值圖像進(jìn)行膨脹填充處理或腐蝕處理，利用Hough變換進(jìn)行直線檢測(cè)；

步驟3、設(shè)置不同的學(xué)習(xí)率，將標(biāo)記好的圖片放入Faster R-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到Faster R-CNN網(wǎng)絡(luò)的電力線異物檢測(cè)模型；

步驟4、比較不同學(xué)習(xí)率得到的訓(xùn)練模型的各項(xiàng)指標(biāo)，選擇合適的學(xué)習(xí)率；

步驟5、將待檢測(cè)的航拍圖像輸入訓(xùn)練好的檢測(cè)模型，F(xiàn)aster R-CNN網(wǎng)絡(luò)通過計(jì)算返回風(fēng)箏異物位置方框，完成診斷。

2.根據(jù)權(quán)利要求1所述基于Faster R-CNN的電力線異物檢測(cè)方法，其特征在于：FasterR-CNN網(wǎng)絡(luò)模塊具體實(shí)現(xiàn)的步驟包括：

1)、將航拍的圖像輸入Faster R-CNN網(wǎng)絡(luò)；

2)、計(jì)算Faster R-CNN網(wǎng)絡(luò)的實(shí)際輸出，得到目標(biāo)預(yù)測(cè)框的信息；

3)、計(jì)算目標(biāo)預(yù)測(cè)框與目標(biāo)真實(shí)框之間的數(shù)值差異；

4)、若兩者差異超過閾值則調(diào)整Faster R-CNN網(wǎng)絡(luò)參數(shù)設(shè)置；

5)、訓(xùn)練完成，獲得電力線異物檢測(cè)信息。

3.根據(jù)權(quán)利要求2所述基于Faster R-CNN的電力線異物檢測(cè)方法，其特征在于：FasterR-CNN網(wǎng)絡(luò)中RPN網(wǎng)絡(luò)的核心anchor機(jī)制的實(shí)現(xiàn)包括：

RPN網(wǎng)絡(luò)中，原圖中相應(yīng)的映射區(qū)域與feature map中的每一個(gè)點(diǎn)對(duì)應(yīng)，同時(shí)在原圖中，以該區(qū)域的中心為錨點(diǎn)anchor，分別取三種尺寸2⁷*2⁷、2⁸*2⁸和2⁹*2⁹和三種長(zhǎng)寬比例1∶1、1∶2、2∶1的9種區(qū)域作為錨點(diǎn)框，共有WXHX9的錨點(diǎn)框在Faster R-CNN中，其中W、H分別對(duì)應(yīng)著feature map中的長(zhǎng)和寬；在feature map中的每一個(gè)錨點(diǎn)anchor均為2⁸維，將每個(gè)錨點(diǎn)anchor輸入到RPN網(wǎng)絡(luò)中，分別得到2k和4k兩組數(shù)據(jù)；其中，k取9，代表每個(gè)錨點(diǎn)anchor框數(shù)目；2代表錨點(diǎn)anchor框?qū)儆谇熬昂捅尘暗膬蓚€(gè)數(shù)據(jù)，用來粗分類目標(biāo)；4代表四個(gè)參數(shù)坐標(biāo)回歸值，用于粗定位Proposal框；對(duì)于每一個(gè)錨點(diǎn)anchor，均輸出一個(gè)長(zhǎng)度為2k+4k的向量，向量表示該錨點(diǎn)anchor對(duì)應(yīng)的k個(gè)候選區(qū)域是前景還是后景的判斷并能夠獲得位置的信息；RPB網(wǎng)絡(luò)獲得的結(jié)果經(jīng)過ROIPooling層之后，在feature map上獲得Proposal框所對(duì)應(yīng)的特征圖，最后再將結(jié)果帶入到之后的網(wǎng)絡(luò)之中，進(jìn)行目標(biāo)的類別判定和所在位置的細(xì)致回歸。