一种航拍绝缘子目标检测方法及装置制造方法及图纸

本申请公开了一种航拍绝缘子目标检测方法及装置，包括：获取待测航拍图像；将取待测航拍图像输入进训练好的基于FasterR

【技术实现步骤摘要】
一种航拍绝缘子目标检测方法及装置


[0001]本申请涉及目标检测
，尤其涉及一种航拍绝缘子目标检测方法及装置。

技术介绍

[0002]目前，无人机领域具有巨大的市场价值，基于无人机航拍图像的处理技术成为研究热门课题。针对航拍静态目标的尺度变化差异大、目标遮挡等诸多极具挑战性的问题，还未找到合适的解决方法，因此还需要进一步深入研究。
[0003]传统的航拍图像使用的目标检测算法，主要采用阶段性设计的方法对图像进行区域窗口提取、特征提取和窗口分类。然而对于具有多样性表征的目标，基于滑动窗口的区域选择策略存在缺乏针对性、计算复杂度高、存在窗口冗余、鲁棒性较差等问题。在无人机航拍图像中，除了受到小尺度目标和尺度变化大等影响之外，目标对象还会受到亮度、遮挡、背景复杂多变等因素的干扰。传统的目标检测算法易于受干扰因素的影响，造成误检和漏检的情况。近些年，随着一大批深度学习算法的涌现，在目标检测、实例分割等技术上取得了突破性进步。通过深度卷积神经网络，突破了以往目标检测算法只能提取浅层特征的瓶颈。同时，显著提高了图像对于深层特征的提取能力，从而提高了复杂背景下的目标检测性能。

技术实现思路

[0004]本申请提供了一种航拍绝缘子目标检测方法及装置，使得可以从复杂图像背景中检测出绝缘子目标。
[0005]有鉴于此，本申请第一方面提供了一种航拍绝缘子目标检测方法，所述方法包括：
[0006]获取待测航拍图像；
[0007]将所述取待测航拍图像输入进训练好的基于Faster R/>‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标；所述基于FasterR
‑
CNN的航拍静态目标识别注意力模型中包括ResNet101网络以及FPN网络，在所述ResNet101网络中引入SGE注意力模块；
[0008]具体为：
[0009]将ResNet作为基本骨干网络；
[0010]ResNet包括依次连接的卷积层C1
‑
C5；卷积层C2和C3之间，C3和C4之间，C4和C5之间嵌入有所述SGE注意力模块。
[0011]可选的，在所述获取待测航拍图像，之后还包括：
[0012]将所述待测航拍图像转化成预置尺寸的图像。
[0013]可选的，在所述将所述取待测航拍图像输入进训练好的基于Faster R
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标，之前还包括：
[0014]获取绝缘子航拍数据集；
[0015]将所述绝缘子航拍数据集中的航拍图像标准化成统一尺寸；
[0016]标注所述航拍图像中的绝缘子目标；
[0017]将标注好的所述航拍图像分成训练集和测试集，用于训练所述基于Faster R
‑
CNN的航拍静态目标识别注意力模型。
[0018]可选的，在所述将所述取待测航拍图像输入进训练好的基于Faster R
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标，包括：
[0019]采用引入所述SGE注意力模块的所述ResNet101网络对所述待测航拍图像进行特征提取，获得不同尺寸的特征图；
[0020]将不同尺寸的特征图输入进区域生成网络FPN中，得到多个包含绝缘子目标的候选框；
[0021]通过RoIAlign将多个包含绝缘子目标的候选框进行尺度统一；
[0022]在候选框区域上进行类别判断以及矩形框修正，得到绝缘子目标的识别结果。
[0023]本申请第二方面提供一种航拍绝缘子目标检测装置，所述装置包括：
[0024]第一获取单元，用于获取待测航拍图像；
[0025]第一识别单元，用于将所述取待测航拍图像输入进训练好的基于Faster R
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标；所述基于FasterR
‑
CNN的航拍静态目标识别注意力模型中包括ResNet101网络以及FPN网络，在所述ResNet101网络中引入SGE注意力模块；
[0026]具体为：
[0027]将ResNet作为基本骨干网络；
[0028]ResNet包括依次连接的卷积层C1
‑
C5；卷积层C2和C3之间，C3和C4之间，C4和C5之间嵌入有所述SGE注意力模块。
[0029]可选的，还包括：
[0030]第一尺寸转化单元，用于将所述待测航拍图像转化成预置尺寸的图像。
[0031]可选的，还包括：
[0032]第二获取单元，用于获取绝缘子航拍数据集；
[0033]第二尺寸转化单元，用于将所述绝缘子航拍数据集中的航拍图像标准化成统一尺寸；
[0034]标注单元，用于标注所述航拍图像中的绝缘子目标；
[0035]训练单元，用于将标注好的所述航拍图像分成训练集和测试集，用于训练所述基于FasterR
‑
CNN的航拍静态目标识别注意力模型。
[0036]可选的，所述第一识别单元还包括：
[0037]特征提取单元，用于将不同尺寸的特征图输入进区域生成网络FPN中，得到多个包含绝缘子目标的候选框；
[0038]尺度统一单元，用于通过RoIAlign将多个包含绝缘子目标的候选框进行尺度统一；
[0039]第二识别单元，用于在候选框区域上进行类别判断以及矩形框修正，得到绝缘子目标的识别结果。
[0040]从以上技术方案可以看出，本申请具有以下优点：
[0041]本申请中，提供了一种航拍绝缘子目标检测方法，包括：将取待测航拍图像输入进
训练好的基于FasterR
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标；基于FasterR
‑
CNN的航拍静态目标识别注意力模型中包括ResNet101网络以及FPN网络，在ResNet101网络中引入SGE注意力模块；具体为：将ResNet作为基本骨干网络；ResNet包括依次连接的卷积层C1
‑
C5，卷积层C2和C3之间，C3和C4之间，C4和C5之间嵌入有所述SGE注意力模块。
[0042]本申请采用基于FasterR
‑
CNN的航拍静态目标识别注意力模型用于识别测航拍图像中的绝缘子目标，通过在ResNet
‑
101
‑
FPN的基础上引入了一种空间分组增强(SGE)模块，该模块使每个特征组能够自动增强其学习到的语义表示并抑制可能的噪声，并且几乎不会引入其他参数和增加计算复杂度。
附图说明
[0043]图1为本申请一种航拍绝缘子目标检测方法的一个实施例的方法流程图；
[0044]图2为本申请一种航拍绝缘子目标检测装置的一个实施例的装置结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种航拍绝缘子目标检测方法，其特征在于，包括：获取待测航拍图像；将所述取待测航拍图像输入进训练好的基于FasterR
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标；所述基于FasterR
‑
CNN的航拍静态目标识别注意力模型中包括ResNet101网络以及FPN网络，在所述ResNet101网络中引入SGE注意力模块；具体为：将ResNet作为基本骨干网络；ResNet包括依次连接的卷积层C1
‑
C5；卷积层C2和C3之间，C3和C4之间，C4和C5之间嵌入有所述SGE注意力模块。2.根据权利要求1所述的航拍绝缘子目标检测方法，其特征在于，在所述获取待测航拍图像，之后还包括：将所述待测航拍图像转化成预置尺寸的图像。3.根据权利要求1所述的航拍绝缘子目标检测方法，其特征在于，在所述将所述取待测航拍图像输入进训练好的基于FasterR
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标，之前还包括：获取绝缘子航拍数据集；将所述绝缘子航拍数据集中的航拍图像标准化成统一尺寸；标注所述航拍图像中的绝缘子目标；将标注好的所述航拍图像分成训练集和测试集，用于训练所述基于Faster R
‑
CNN的航拍静态目标识别注意力模型。4.根据权利要求1所述的航拍绝缘子目标检测方法，其特征在于，在所述将所述取待测航拍图像输入进训练好的基于FasterR
‑
CNN的航拍静态目标识别注意力模型中，识别航拍图像中的绝缘子目标，包括：采用引入所述SGE注意力模块的所述ResNet101网络对所述待测航拍图像进行特征提取，获得不同尺寸的特征图；将不同尺寸的特征图输入进区域生成网络FPN中，得到多个包含绝缘子目标的候选框；通过RoIAlig...

【专利技术属性】
技术研发人员：陈宇婷，陈佳鹏，黄德华，葛阳，程丽冰，欧坚，梁锦灿，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：