本发明专利技术公开了一种基于改进的Faster Rcnn的绝缘子目标识别方法，使用改进的Faster Rcnn识别绝缘子；所述改进的Faster Rcnn为：Faster Rcnn中Vgg16网络替换为Resnet50网络；所述Resnet50网络中的每个残差块添加一个Eca模块；所述Eca模块位于残差块的最后一个卷积层和Relu激活层之间。本发明专利技术将Faster Rcnn中的特征提取主干网络Vgg16网络替换为网络层数更深，结构更复杂的Resnet50网络，并且加入基于通道注意力机制的Eca模块提升特征提取主干网络的性能，使得图像中的绝缘子有更加优异的识别效果，识别准确率更高，识别位置更精确。识别位置更精确。识别位置更精确。
【技术实现步骤摘要】
一种基于改进的Faster Rcnn的绝缘子目标识别方法
[0001]本专利技术涉及人工智能
，特别是一种基于改进的Faster Rcnn的绝缘子目标识别方法。
技术介绍
[0002]绝缘子是一种特殊的绝缘控件，广泛应用于电力系统中，能够在架空输电线路中起到重要作用,为高压输电线路提供电气绝缘和机械支撑。但在长期自然环境以及恶劣条件作用下，绝缘子可能发生故障，影响电力系统的稳定运行，因此输电线路绝缘子的检测对电力系统的安全运行具有重要意义。为了弥补传统人工巡检的不足，降低登杆人员的工作强度，提高安全性，采用无人机巡检方式变得流行起来。无人机巡检主要通过采集海量航拍图像进行检测，因此对图像中的绝缘子目标进行检测对电力系统的稳定运行具有重要意义。
[0003]计算机视觉是人工智能的三大支撑之一。目标检测是计算机视觉中一个很热的研究领域，已广泛应用于人脸检测、自动驾驶汽车、行人检测、安全监控等领域。目标检测的任务包括目标分类与目标定位两部分，目标分类即判断是否包含目标物体，目标定位即用矩形框标注出目标物体的位置。目标检测算法主要分为两类，一类是以Haar特征+Adaboost算法、Hog特征+Svm算法、DPM算法为典型代表的传统算法，另外一类是以RCNN系列(Rcnn，Spp
‑
net，Fast Rcnn，Faster Rcnn)、YOLO系列(YOLO、YOLO9000)、SSD为典型代表的基于深度学习的目标检测算法。传统的方法主要是根据先验知识提取图像的特定特征，然后使用分类算法以实现目标检测。由于卷积神经网络相较于传统目标检测算法在提取图像高层特征方面更具优势，所以高质量目标检测方法采用基于显著性的目标建议方法，然后使用深度卷积特征进行后分类。如今，利用深度学习进行目标检测已成为最基本、最广泛的目标检测算法。基于深度学习的目标检测方法主要分为两大类：一是基于候选区域的双阶段目标检测算法，二是基于回归问题的单阶段目标检测算法。双阶段检测算法是先由特定算法生成一系列样本的候选框，再通过卷积神经网络对样本进行分类，最后进行边界框的位置精修，主要是RCNN系列；单阶段目标检测算法则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理，直接对预测目标进行回归、分类，代表有YOLO系列算法以及SSD算法。前者在检测准确率和定位精度上占优，而后者在检测速度上更具有优势。
技术实现思路
[0004]本专利技术的目的在于提供一种基于改进的Faster Rcnn的绝缘子目标识别方法。
[0005]实现本专利技术目的的技术方案如下：
[0006]一种基于改进的Faster Rcnn的绝缘子目标识别方法，使用改进的Faster Rcnn识别绝缘子；所述改进的Faster Rcnn为：Faster Rcnn中Vgg16网络替换为Resnet50网络；所述Resnet50网络中的每个残差块添加一个Eca模块；所述Eca模块位于残差块的最后一个卷积层和Relu激活层之间。
feature maps。
[0028]S14：将proposal feature maps送入后续网络层进一步提取特征。
[0029]S15：在网络头部，利用proposal feature maps预测proposal的类别，同时再次bounding box regression获得较为准确的检测框位置信息。
[0030]S151：通过全连接层与softmax计算每个proposal的类别，输出类别概率向量。
[0031]S152：再次利用bounding box regression获得每个proposal的位置偏移量，用于回归获得更加精确的目标检测框。
[0032]图2为改进的Faster Rcnn框架的整体结构图。Faster Rcnn框架最初的主干特征提取网络(backbone)采用的是Vgg16网络。本专利技术将主干特征提取网络替换为改进的网络层数更深、网络结构更复杂、特征提取能力更强Resnet50网络，并且在Resnet50网络(多个残差块组成)的残差块中加入基于通道注意力机制的Eca模块提升特征提取主干网络的性能。
[0033]图3为Resnet50网络的残差块结构图。
[0034]图4所示本专利技术将基于通道注意力机制的Eca模块加入Resnet50网络的基本组成部分残差块中。将Resnet50网络的残差块的最后一个卷积层和Relu之间加入Eca模块。
[0035]AP(Average Precision)是平均精准度，就是对PR曲线上的Precision值求均值即PR曲线下的面积。本专利技术选取的绝缘子数据集为公开数据集，共包含6860张图片数据集所占储存空间为3.3GB，该数据集由真实图像和合成图像构成，并且已经进行了数据增强。本实验将6174张图片作为训练集，686张图片作为测试集。
[0036]图5所示为传统的Faster Rcnn在测试集上的PR曲线，最后的ap值为87.57％。
[0037]图6所示为改进后Faster Rcnn在测试集上的PR曲线，最终的ap值为88.97％，相比传统的Faster Rcnn提升了1.4％。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进的Faster Rcnn的绝缘子目标识别方法，其特征在于，使用改进的Faster Rcnn识别绝缘子；所述改进的Faster Rcnn为：Faster Rcnn...
【专利技术属性】
技术研发人员：刘益岑，范松海，马小敏，刘小江，罗磊，吴天宝，龚奕宇，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。