[发明专利]一种用于输电线路部件智能自动识别的方法

权利要求书

1.一种用于输电线路部件智能自动识别的方法，其特征是，包括以下步骤：

S1、巡检数据图像样本预处理步骤：以巡检数据原图像作为图像源，标记输电线路部件在原图像中的位置，并对每个输电线路部件添加属性标签，构建输电线路部件识别训练数据集合；

S2、特征提取步骤：对完成预处理的巡检数据图像样本，利用卷积神经网络与特征金字塔网络，提取输电线路图像多层次特征；

S3、训练目标定位回归网络与分类网络步骤：以提取到的输电线路图像多层次特征和标定的属性标签数据为训练输入数据，计算位置敏感得分图，并计算分类网络与目标定位回归网络的损失值，利用随机梯度下降法优化分类网络与回归网络的参数，从而实现训练数据中输电线路部件的最优分类与定位；

S4、输电线路部件检测步骤：根据输电线路识别训练得到的训练参数，初始化检测网络，批量导入输电线路巡检数据，实现部件的自动定位与分类。

2.如权利要求1所述的一种用于输电线路部件智能自动识别的方法，其特征是，所述巡检数据图像样本预处理步骤引入数据扩容策略以扩展训练数据集合的容量，所述数据扩容策略包括镜像映射、平移、旋转、裁剪、尺度变换。

3.如权利要求1所述的一种用于输电线路部件智能自动识别的方法，其特征是，所述特征提取步骤具体包括以下步骤：

卷积网络处理步骤：将预处理的巡检数据图像样本作为训练输入数据集合，采用VGG-net16卷积网络中前13层网络，通过优化各层参数，实现输电线路图像特征的提取，得到512维的高层语意特征；

特征金字塔网络处理步骤：特征金字塔网络处理步骤是在卷积网络中同时进行的，卷积网络是自下而上进行卷积计算，通过为每个网络阶段定义一个金字塔级别，选择每个网络阶段的最后一层输出作为特征图的参考集，然后自上而下对每个级别的参考集进行上采样，再把该特征横向与下一层参考集特征相连接。

4.如权利要求1或3所述的一种用于输电线路部件智能自动识别的方法，其特征是，所述预处理的巡检数据图像样本包括目标区域图像数据和类别标签数据。

5.如权利要求1所述的一种用于输电线路部件智能自动识别的方法，其特征是，所述训练目标定位回归网络与分类网络步骤具体包括以下步骤：

构建位置敏感分数图步骤：在卷积网络与特征金字塔网络相结合提取特征图后，添加一个卷积得分层用于提取图像上每个类别的k²个位置敏感分数图，假设共有C+1个类别，经过卷积产生k²(C+1)个通道的输出层；

构建目标定位回归网络步骤：采用固定比例的候选框提取方式对特征图进行候选区域提取，为实现对目标定位回归网络的训练，定义损失函数为：

L({pi},{ti})=1NclsΣiLcls(pi,pi*)+λ1NregΣipi*Lreg(ti,ti*);]]>

其中，i是区域提取框的序号，p_i是区域提取框时目标概率，是真实标签的概率：若是正样本时为1，是负样本时为0，t_i是预测边框的位置坐标，是真实边框的位置坐标，L_cls是分类损失函数，用来判别边框里是否含有目标；L_reg是回归函数，对边框做位置和大小的微调，N_cls是训练时mini-batch的大小，N_reg是区域提取框定位的数量，λ是平衡参数；

为了实现对网络的整体训练，对卷积得分层、分类网络及目标定位回归网络进行参数随机初始化，定义损失函数为：

L(s,tx,y,w,h)=Lcls(sc*)+λ[c*>0]Lreg(t,t*);]]>

其中，c^*是候选区域的真实标签，[c^*＞0]代表如果是真实标签时，参数设为1，否则为0；是用于分类的交叉熵损失函数，L_reg(t,t^*)是边界回归损失函数，t^*是真实标签的坐标，t是输出的回归坐标；

构建分类网络步骤：将感兴趣区域的标记框映射到卷积得分层上，并且划分k*k个分格，每个区域得到C+1个维度的特征图，按顺序依次将k*k个格子上对应的得分图抽取出来，然后这k²个得分图用来对候选区域进行投票从而判定目标的类别；

对于大小为w*h的感兴趣候选区域，每个分格的大小为(w/k)*(h/k)，对于第i行第j列的分格中的得分图，进行如下定义：

rc(i,j|θ)=Σ(x,y)∈(i,j)zi,j,c(x+x0,y+y0|θ)/n;]]>

其中，r_c(i,j)是针对第c类目标的第(i,j)个分格的响应得分，Z_i,j,c代表k²(C+1)个得分图中的一个，(x₀,y₀)表示候选区域的左上角坐标，n表示每个格子中像素的个数，θ是网络中所有可学习的参数；

对于k²个得分图通过平均得分进行投票，对于每个候选区域产生C+1维的向量：

最后计算每个目标的softmax响应：

6.如权利要求1所述的一种用于输电线路部件智能自动识别的方法，其特征是，所述输电线路部件检测步骤包括以下步骤:

初始化网络步骤：利用优化、训练得到的图像识别模型初始化训练网络，包括网络结构定义、网络基本参数定义、权重及偏置数据填充；

提取图像特征图步骤：首先，对输入图像进行多层卷积操作提取输入图像的高层语意表达；其次，对提取到的特征进行多尺度分割与上采样；最后，将金字塔特征与卷积后的特征进行融合，形成最终特征图；

提取候选区域步骤：利用区域提取网络提取候选框，并进行非极大值抑制操作，只保留得分最高的前300个候选框，以实现检测的快速处理；

计算位置敏感得分图步骤：对候选框进行得分图卷积操作，计算每个候选框的得分，并求取每个候选框的得分均值，构建位置敏感得分图；

确定候选区域类别与标记框步骤：对敏感得分图进行softmax分类，确定最终类别；对候选框进行拟合优化确定最终目标标记位置。