【技术实现步骤摘要】
本专利技术涉及走板检测的，尤其是涉及一种基于深度学习的走板跟踪方法和装置。
技术介绍
1、在电线杆上设置导线时，需要依靠走板就行牵引，在牵引过程中容易出现走板反转、松动等问题，因此需要对走板的状态进行分析，需要跟踪走板。
2、现有的走板跟踪的方法一般是通过目标检测网络进行跟踪，但是只依靠目标检测容易产生因鸟类等导致的检测异常与光照、树叶干扰等问题，检测的准确性不足。
技术实现思路
1、本专利技术的目的就是为了提高走板跟踪的准确性而提供的一种基于深度学习的走板跟踪方法和装置。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于深度学习的走板跟踪方法，方法包括：
4、获取实际的多帧走板图像，将实际的走板图像中的第一帧图像输入目标检测模型，输出标有走板的检测框的第一帧图像；
5、标有走板的检测框的第一帧图像输入目标跟踪模型，目标跟踪模型跟踪走板，输出除了第一帧图像外所有图像的走板位置。
6、进一步地，目标检测模型基于yolov5网络训练得到，目标检测模型的训练过程具体为：
7、获取训练集，所述训练集中包括走板图像和对应的标签框，在yolov5网络的输入层中对训练集中的图像进行数据增强，并初始化先验框；
8、对数据增强后的图像在yolov5网络的骨干层中进行特征提取，得到多尺度的浅层特征；
9、将浅层特征输入yolov5网络的中间层进行特征融合，输出特征图；
11、进一步地，将实际的走板图像中的第一帧图像输入目标检测模型，输出标有走板的检测框的第一帧图像的具体步骤为：
12、实际的走板图像中的第一帧图像依次输入目标检测模型的输入层、骨干层、中间层和预测层，输出标有走板的检测框的第一帧图像。
13、进一步地，初始化先验框的具体步骤为：
14、采用聚类算法对训练集中的标签框进行聚类，得到多个备选框；
15、基于遗传算法对备选框进行变异，从变异后的备选框中筛选出先验框。
16、进一步地，聚类算法为kmeans算法。
17、进一步地，目标跟踪模型基于siameserpn网络训练得到，目标跟踪模型的训练过程具体为：
18、获取包括走板的图像作为第一图像，从包括走板的图像中截取走板部分作为第二图像；
19、第一图像作为siameserpn网络中孪生网络的检测帧分支的输入，第二图像作为siameserpn网络中孪生网络的模板帧分支的输入，第一图像进入检测帧分支后进入第一cnn网络，第一cnn网络输出第一特征图z，第二图像进入模板帧分支后进入第二cnn网络，第一cnn网络和第二cnn网络共享参数，第二cnn网络输出第二特征图x；
20、第一特征图和第二特征图一起作为siameserpn网络中回归支路和分类支路的输入，第一特征图分别输入分类支路和回归支路后，分别经过两个支路的卷积层，输出特征图zcl和特征图zre，第二特征图输入分别输入分类支路和回归支路后，分别经过两个支路的卷积层，输出特征图xcl和特征图xre，特征图zcl和特征图xcl进行卷积得到分类结果，特征图zre和特征图xre进行卷积得到回归结果，根据分类结果和回归结果得到siameserpn网络的所有框及其对应分数，选择分数最高的框，计算siameserpn网络的损失函数，更新siameserpn网络的参数。
21、进一步地，标有走板的检测框的第一帧图像输入目标跟踪模型，目标跟踪模型跟踪走板，输出除了第一帧图像外所有图像的走板位置的具体步骤为：
22、标有走板的检测框的第一帧图像输入目标跟踪模型，目标跟踪模型输出最优目标框，并进行线形插值，输出第一帧图像外所有图像的走板位置对应的目标框。
23、进一步地，获取实际的多帧走板图像的具体步骤为：基于电线杆上的摄像机获取实际的多帧走板图像。
24、进一步地，摄像机设于电线杆的塔基的横担位置。
25、本专利技术的另一方面，还提出一种基于深度学习的走板跟踪装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现上述的方法。
26、与现有技术相比，本专利技术具有以下有益效果：
27、本专利技术结合目标检测模型和目标跟踪模型，目标检测模型获取第一帧图像后，目标跟踪模型进行进一步的跟踪确认，过滤误检的目标如鸟类等，提高走板跟踪的准确性，同时可以全称监控走板的状态，让工作人员可以实现远程监视放线的全过程。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的走板跟踪方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于深度学习的走板跟踪方法，其特征在于，目标检测模型基于YoloV5网络训练得到，目标检测模型的训练过程具体为：
3.根据权利要求2所述的一种基于深度学习的走板跟踪方法，其特征在于，将实际的走板图像中的第一帧图像输入目标检测模型，输出标有走板的检测框的第一帧图像的具体步骤为：
4.根据权利要求3所述的一种基于深度学习的走板跟踪方法，其特征在于，初始化先验框的具体步骤为：
5.根据权利要求4所述的一种基于深度学习的走板跟踪方法，其特征在于，聚类算法为Kmeans算法。
6.根据权利要求1所述的一种基于深度学习的走板跟踪方法，其特征在于，目标跟踪模型基于SiameseRPN网络训练得到，目标跟踪模型的训练过程具体为：
7.根据权利要求6所述的一种基于深度学习的走板跟踪方法，其特征在于，标有走板的检测框的第一帧图像输入目标跟踪模型，目标跟踪模型跟踪走板，输出除了第一帧图像外所有图像的走板位置的具体步骤为：
8.根据权
9.根据权利要求8所述的一种基于深度学习的走板跟踪方法，其特征在于，摄像机设于电线杆的塔基的横担位置。
10.一种基于深度学习的走板跟踪装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法。
...【技术特征摘要】
1.一种基于深度学习的走板跟踪方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于深度学习的走板跟踪方法，其特征在于，目标检测模型基于yolov5网络训练得到，目标检测模型的训练过程具体为：
3.根据权利要求2所述的一种基于深度学习的走板跟踪方法，其特征在于，将实际的走板图像中的第一帧图像输入目标检测模型，输出标有走板的检测框的第一帧图像的具体步骤为：
4.根据权利要求3所述的一种基于深度学习的走板跟踪方法，其特征在于，初始化先验框的具体步骤为：
5.根据权利要求4所述的一种基于深度学习的走板跟踪方法，其特征在于，聚类算法为kmeans算法。
6.根据权利要求1所述的一种基于深度学习的走板跟踪方法，其特征在于，目标跟踪模型基于siam...
【专利技术属性】
技术研发人员：鲁飞，张可可，郑超，张立刚，籍海亮，焦刚刚，
申请(专利权)人：华东送变电工程有限公司，
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。