[发明专利]基于共享卷积神经网络的绝缘子检测方法及装置

权利要求书

1.一种基于共享卷积神经网络的绝缘子检测方法，其特征在于，包括：

利用巡检机器人拍摄变电站的输电线路图像；

利用RPN网络和Fast R-CNN网络训练的共享卷积神经网络获取输电线路图像中绝缘子的最佳位置。

2.如权利要求1所述的方法，其特征在于，所述共享卷积神经网络通过以下步骤得到：

S1，利用输电线路图像训练样本集对RPN网络进行迭代训练，采用不同比例和不同大小的映射机制，获取第一粗候选区域及初始RPN网络；

S2，利用所述第一粗候选区域对Fast R-CNN网络进行迭代训练，获取初始Fast R-CNN网络；

S3，保持所述初始Fast R-CNN网络的卷积层参数不变，利用所述训练样本集对所述初始RPN网络进行第一参数微调，获得第二粗候选区域及优化RPN网络；

S4，保持所述初始Fast R-CNN网络的卷积层参数不变，利用所述训练样本集及所述第二粗候选区域对所述初始Fast R-CNN网络进行第二参数微调，获得优化Fast R-CNN网络；

其中，所述优化RPN网络和所述优化Fast R-CNN共享部分卷积层和池化层，从而获得共享卷积神经网络。

3.如权利要求2所述的方法，其特征在于，所述S1进一步包括：

S1.1，构建包含6个卷积层、2个池化层、1个分类层和1个边框回归层的RPN网络；

S1.2，将所述训练样本集输入所述RPN网络，通过卷积层提取特征，通过池化层映射特征，获得第七层的特征图为第一特征图，采用不同比例和不同大小的映射机制生成不同大小不同比例的anchor boxes；

S1.3，基于所述anchor boxes，按照第一预设规则选取正样本和负样本，将所述正样本和负样本对应的特征统一成相同大小后输入分类层和边框回归层获取所述第一粗候选区域，得到初始RPN网络。

4.如权利要求2所述的方法，其特征在于，所述S2进一步包括：

S2.1，构建包含5个卷积层、2个池化层、1个ROI池化层、1个分类层和1个边框回归层的Fast R-CNN网络；

S2.2，将所述训练样本集输入所述Fast R-CNN网络，经过卷积层提取特征，池化层映射特征，获取最后一个卷积层的特征为第二特征图；

S2.3，将所述粗候选区域映射到所述第二特征图上，通过所述ROI池化层将所述第二特征图上的每个特征调整为固定大小；

S2.4，将所述每个特征输入分类层和边框回归层，按照第二预设规则选择正样本和负样本，并利用随机梯度下降法和反向传播算法更新所述Fast R-CNN网络的每层网络的权值，获得初始Fast R-CNN网络。

5.如权利要求2所述的方法，其特征在于，

S1中对PRN网络进行迭代训练和S3中所述第一参数微调包括：

将训练样本集输入所述初始RPN网络，利用反向传播法和梯度下降法更新所述初始RPN网络的最后一个卷积层、分类层及边框回归层的权值；

S2中对Fast R-CNN网络进行迭代训练和S4中所述第二参数微调包括：

将所述粗候选区域输入Fast R-CNN网路，利用梯度下降法和反向传播算法更新所述初始Fast R-CNN网络中ROI池化层、分类层及边框回归层的权值。