【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体为基于resnet的自监督双目电力设备识别方法及系统。
技术介绍
1、目前立体图像可以捕捉到物体之间的深度信息，具有复杂的几何结构和分层组织，而传统的单一图像通常只包含了二维信息，这种额外的深度信息对于检测和识别电力设备非常有帮助。在电力环境中，设备之间可能存在遮挡，这会使基于二维图像的检测更加复杂。通过使用点云数据，可以更好地处理遮挡情况，从而提高遮挡物体的检测准确性。此外，三维信息可以减少深度估计中的模糊和不确定性，可以更准确地定位和识别电力设备，有助于减少误检和漏检，并提高系统的整体性能。
2、在点云数据处理中，psmnet模型是一种常用的处理方法，该模型架构过于繁琐，需要更多的时间来进行深度估计，因此相应的点云生成较慢。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有技术点云生成较慢，实时性不足，在提高实时性的同时无法兼顾精度要求。
3、为解决上述技术问题，本专利技术提供如下技术方案：基于resnet的自监督双目电力设备识别方法，包括：采集电力设备的数据，并通过u-net架构提取特征；建立双目深度估计模型，计算重投影误差，对模型进行优化；利用立体视差估计系统得到深度，通过反向投影生成激光雷达点云并进行评估，完成电力设备识别。
4、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述u-net架构包括编码器和
5、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述重投影误差包括，利用立体模式下预测值与目标之间的ssim计算重投影误差，
6、
7、is→t＝isprj<(k,d,ts→t)>
8、其中，lp表示重投影误差；re表示度量重建误差；it表示在时间t的目标图像；is→t表示重建后目标时间t的图像；is表示源图像；prj表示投影图像的二维坐标；k表示固有参数；d表示投影深度；ts→t表示相对姿态。
9、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述优化包括，计算目标帧与均值归一化反深度值之间的边缘感知平滑损失，
10、l＝μlp+λls
11、
12、其中，l表示训练损失函数；μ表示自掩模方法得到的掩模像素值；λ表示平滑项；ls表示边缘感知平滑度；表示平均归一化逆深度；表示在x方向的梯度；表示在y方向的梯度。
13、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述立体视差估计系统包括，
14、
15、其中，z(x,y)表示像素点(x,y)的深度；b表示水平基线；f表示相机的焦距。
16、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述反向投影包括，将所有深度像素反向投影到一个三维坐标系中，生成激光雷达点云，
17、
18、
19、depth，z(x,y)＝z
20、其中，x(x,y)表示三维空间中点的宽度坐标；y(x,y)表示三维空间中点的高度坐标；cx表示图像的中心像素宽度坐标；cy表示图像的中心像素高度坐标。
21、作为本专利技术所述的基于resnet的自监督双目电力设备识别方法的一种优选方案，其中：所述评估包括，通过平均绝对误差、平方误差、线性均方根误差和对数均方根误差评估深度估计的准确性，
22、
23、
24、
25、
26、其中，asbs rel表示平均绝对相对误差；sqrel表示平方相对误差；rmse表示均方根误差；rmselog表示对数均方根误差；n表示像素总数；zp(xi,yi)表示像素坐标(xi,yi)处模型预测的深度值；zg(xi,yi)表示像素坐标(xi,yi)处真实的深度值。
27、第二方面，本专利技术还提供了基于resnet的自监督双目电力设备识别系统，包括，数据采集模块，采集电力设备的数据，对采集到的图像数据进行预处理，使用改进的双输入resnet编码器处理图像对，提取关键特征；模型构建模块，建立双目深度估计模型，利用立体模式下预测值与目标之间的ssim计算重投影误差，计算目标帧与均值归一化反深度值之间的边缘感知平滑损失，增强模型识别尖锐边缘和消除噪声的能力；点云生成模块，利用立体视差估计系统得到深度，将所有深度像素反向投影到三维坐标系中获得点云的三维坐标，生成激光雷达点云，完成电力设备识别。
28、第三方面，本专利技术还提供了一种计算设备，包括：存储器和处理器；
29、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于resnet的自监督双目电力设备识别方法的步骤。
30、第四方面，本专利技术还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于resnet的自监督双目电力设备识别方法的步骤。
31、本专利技术的有益效果：本专利技术方法通过结合双输入resnet编码器和u-net架构，有效地从图像对中提取深度信息并生成高精度的点云数据，从而实现对电力设备的精确识别。利用自监督学习，无需外部标记数据即可进行模型训练，显著降低了人工标注成本。同时，通过计算重投影误差和边缘感知平滑损失，在保持边缘清晰度的同时，增强模型对尖锐边缘的识别能力和对噪声的消除能力。此外，通过多种误差评估指标来优化深度估计模型，确保了深度预测的准确性和系统的实用性，为电力设备的检测和维护提供了一种高效、可靠的技术解决方案。
本文档来自技高网...【技术保护点】
1.基于ResNet的自监督双目电力设备识别方法，其特征在于，包括：
2.如权利要求1所述的基于ResNet的自监督双目电力设备识别方法，其特征在于：所述U-Net架构包括编码器和解码器，编码器一个预训练的ResNet模型，以图像对作为输入，在形状的第一层(6，192，640)中使用卷积权重；
3.如权利要求2所述的基于ResNet的自监督双目电力设备识别方法，其特征在于：所述重投影误差包括，利用立体模式下预测值与目标之间的SSIM计算重投影误差，
4.如权利要求3所述的基于ResNet的自监督双目电力设备识别方法，其特征在于：所述优化包括，计算目标帧与均值归一化反深度值之间的边缘感知平滑损失，
5.如权利要求4所述的基于ResNet的自监督双目电力设备识别方法，其特征在于：所述立体视差估计系统包括，
6.如权利要求5所述的基于ResNet的自监督双目电力设备识别方法，其特征在于：所述反向投影包括，将所有深度像素反向投影到一个三维坐标系中，生成激光雷达点云，
7.如权利要求6所述的基于ResNet的自监督双目
8.一种采用如权利要求1～7任一所述方法的基于ResNet的自监督双目电力设备识别系统，其特征在于，包括，
9.一种计算设备，包括：存储器和处理器；
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
...【技术特征摘要】
1.基于resnet的自监督双目电力设备识别方法，其特征在于，包括：
2.如权利要求1所述的基于resnet的自监督双目电力设备识别方法，其特征在于：所述u-net架构包括编码器和解码器，编码器一个预训练的resnet模型，以图像对作为输入，在形状的第一层(6，192，640)中使用卷积权重；
3.如权利要求2所述的基于resnet的自监督双目电力设备识别方法，其特征在于：所述重投影误差包括，利用立体模式下预测值与目标之间的ssim计算重投影误差，
4.如权利要求3所述的基于resnet的自监督双目电力设备识别方法，其特征在于：所述优化包括，计算目标帧与均值归一化反深度值之间的边缘感知平滑损失，
5.如权利要求4所述的基于resnet的自监督双目电力设备识别方法...
【专利技术属性】
技术研发人员：付磊，杜昊，班国邦，杨平安，张晓春，张迅，杨凤生，李翱鹏，席光辉，何雨旻，孟令雯，郭思琪，杨昆桦，马金通，吴昊，黎安俊，罗莎莎，邹福，
申请(专利权)人：贵州电网有限责任公司，
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。