一种基于单阶段目标检测网络的电力巡检鸟窝检测方法技术

本发明专利技术提供一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，涉及计算机视觉和图像检测技术领域。包括以下步骤：S1、训练过程，S2、检测过程。本发明专利技术通过采用基于深度学习的目标检测算法，针对电力塔图片进行鸟窝检测，网络模型训练是将电力塔图片数据集输入网络，经输入端的数据处理，网络进行特征提取与网络自身权重优化，最终得到能精确识别电力塔图像中鸟窝特征的网络，该网络模型的Neck层采用FPN+PAN结构，有效的提高了小尺度物体检测精度，最后经输出端输出图像分类，此基于深度学习的特征检测方法，相较于传统电力巡检鸟窝检测方法，提高了检测精度与效率。提高了检测精度与效率。提高了检测精度与效率。

【技术实现步骤摘要】
一种基于单阶段目标检测网络的电力巡检鸟窝检测方法


[0001]本专利技术涉及计算机视觉和图像检测
，特别的为一种基于单阶段目标检测网络的电力巡检鸟窝检测方法。

技术介绍

[0002]故障检测是计算机视觉在工业制造领域中的重要应用之一，它可以提高工厂生产效率减少甚至替代人力劳动，并且能够有效保证产品质量。如何精准高效地检测电力塔鸟窝是当下研究的难点，目前主要有三种研究方法，一种是人工检测，靠人眼进行图片检测分类；一种是利用传统的图像检测方法对图像特征进行提取及分类；一种是直接利用神经网络来检测电力塔是否存在故障。
[0003]人工检测方法，人眼长期高度集中注意力易疲劳，效率低下、人工成本高、误检率高。传统的图像检测算法主要流程是数据增强、边缘检测、图像分割、特征提取、图像分类。数据增强采用灰度变换增强、直方图增强、图像锐化等方法，边缘检测分为空间域和频率域的检测，空间域的边缘检测算子有canny算子，sobel算子，Roberts算子等，频率域的检测方法有傅里叶变换，小波变换，gabor变换等。也通过灰度直方图中的二阶矩，熵、逆差矩、对比度、相关性等。但传统的图像检测方法效率低下且精度不高，随着深度学习技术目标检测算法的发展，Girshick等提出了R
‑
CNN算法，首次将深度学习代入计算机视觉的应用领域。接着He等(HEKM,ZHANGXY,RENSQ,et al.Spatial pyramid poolingin deep convolutional network forvisual recognition[J])，提出了SPP
‑
Net算法，解决了候选框缩放成统一大小而导致物体变形的问题，Girshick(GIRSHICK R.Fast R
‑
CNN[C//Proceedings of the IEEE International Conference on Computer Vision,2015:176
‑
183.)通过对R
‑
CNN和SPP
‑
Net的缺点做进一步改进，提出了Fast R
‑
CNN，以上方法都是基于区域的目标检测方法，后来出现了基于回归的目标检测方法。如SSD[[6]Liu W,Anguelov D,Erhan D,et al.SSD:single shot multibox detector[C]//Proc of European Conference on ComputerVision.Amsterdam,Nederland:Springer,2016:21
‑
37.]等，以上深度学习的方法相比传统图像处理技术对大物体检测具有很高的精度，但对小尺度物体检测存在易误检、漏检的缺陷。
[0004]综上所述，研发一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，仍是计算机视觉和图像检测
中急需解决的关键问题。

技术实现思路

[0005]本专利技术的目的是提供一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，解决上述
技术介绍
中的问题。
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，包括以下步骤：
[0007]S1、训练过程。
[0008]S2、检测过程。
[0009]进一步的，在S1操作步骤中，所述训练过程是构建检测鸟窝的网络模型，将带鸟窝的电塔图片数据集，输入到该单阶段目标检测网络模型中进行训练，最终得到能够精准检测鸟窝的神经网络。
[0010]进一步的，在S1操作步骤中，所述训练过程包括电塔图像数据集采集、网络输入端进行图像预处理和特征信息提取三个过程。
[0011]进一步的，所述电塔图像数据集采集是用带高清摄像头的无人机进行定点采集，无人机通过激光雷达设定航线与拍摄角度，特定航线与拍摄角度保证了电塔和无人机安全的同时，提高了图片的拍摄精度与质量，拍摄规则采用由远到近，由整体到局部，从右至左，自上而下，从正面到背面的拍摄顺序。杆塔拍摄内容：杆塔整体、基础、塔头、左相绝缘子(含地线支架)、中相绝缘子串、右相绝缘子(含地线支架)，杆塔采集照片不少于6张，缺陷单独拍照。
[0012]进一步的，所述网络输入端进行图像预处理是通过Mosaic数据增强算法进行数据增强，Mosaic数据增强采用4张图片，做随机缩放、随机裁剪、随机排布的操作然后进行拼接，Mosaic数据增强算法丰富了数据集，增加了很多小目标，让网络具有更好的鲁棒性。
[0013]进一步的，所述特征信息提取是Backbone和Neck网络结构的工作，所述网络Backbone结构是Focus+CBL+CSP1_1+CBL+CSP1_3+CBL+CSP1_3+CBL+SPP，Focus有32个卷积核，其目的是做一个切片操作，让原始的608*608*3的图片，最终变成304*304*32的特征图，CSPX_Y网络结构，由卷积层和X个Resnet网络中的Y个残差结构组成，Resnet残差结构增加了网络特征提取和特征融合的能力，CBL由Conv+Bn+Leaky_relu激活函数三者组成，SPP采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化的方式，再进行多尺度特征融合，将得到的特征向量经过FPN+PAN网络，所述Neck结构是FPN+PAN结构，所述FPN网络是自顶向下的结构，将高层的多尺度特征信息通过上采样的方式进行传递融合，得到进行预测的特征图，所述PAN是一个自底向上的特征金字塔，自底向上的传递传达强定位特征，从不同的检测层进行特征聚合，将不同电塔鸟窝得分高的特征图和对应的权重打包成权重文件。
[0014]进一步的，在S2操作步骤中，所述检测过程是通过对待检测的图片进行直方图均衡化做数据增强，再将待检测的电塔图片输入到网络的输出层中，进行检测，在检测过程中，需要确认待检测图片是否存在鸟窝的特征，如果存在鸟窝的特征，则将该图片标记为存在鸟窝的图片，否则该图片标记为不存在鸟窝的图片。
[0015]进一步的，所述输出层是实现网络得到图片的特征向量后进行分类输出的过程，将学习得到的故障特征图的权重与测试集的图像进行匹配，采用GIoU_Loss作为Boundingbox的损失函数，得到多个初步的预测框，在此基础上使用NMS非极大值抑制算法，识别出一些被遮挡重叠的目标，生成的预测框更加精确，GIoU的目标相当于在损失函数中加入了一个ground truth和预测框构成的闭包的惩罚，它的惩罚项是闭包减去两个框的并集后的面积在闭包中的比例越小越好。
[0016]进一步的，所述GIoU算法包括以下步骤：
[0017]输入：任意两个目标框：A是Ground Truth,B是预测框；
[0018]输出：GIoU；
[0019]步骤一、根据目标框A和B，找到一个最小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于，包括以下步骤：S1、训练过程；S2、检测过程。2.根据权利要求1所述的一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于：在S1操作步骤中，所述训练过程是构建检测鸟窝的网络模型，将带鸟窝的电塔图片数据集，输入到该单阶段目标检测网络模型中进行训练，最终得到能够精准检测鸟窝的神经网络。3.根据权利要求1所述的一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于：在S1操作步骤中，所述训练过程包括电塔图像数据集采集、网络输入端进行图像预处理和特征信息提取三个过程。4.根据权利要求3所述的一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于：所述电塔图像数据集采集是用带高清摄像头的无人机进行定点采集，无人机通过激光雷达设定航线与拍摄角度。5.根据权利要求3所述的一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于：所述网络输入端进行图像预处理是通过Mosaic数据增强算法进行数据增强。6.根据权利要求3所述的一种基于单阶段目标检测网络的电力巡检鸟窝检测方法，其特征在于：所述特征信息提取是Backbone和Neck网络结构的工作，所述网络Backbone结构是Focus+CBL+CSP1_1+CBL+CSP1_3+CBL+CSP1_3+CBL+SPP，所述Neck结构是FPN+PAN结构，所述FPN网络是自顶向下的结构，将高层的多尺度特征信息通过上采样的方式进行传递融合，得到进行预测的特征图，...

【专利技术属性】
技术研发人员：邓珍荣，代国林，杨睿，张永林，
申请(专利权)人：广西景航无人机有限公司，
类型：发明
国别省市：