[发明专利]基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法

说明书

本发明实施例公开了一种基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法，利用卷积神经网络的容错能力、并行处理能力和自学习能力，使得能够自动学习并刻画出图像数据的内在多级特征并逐级抽象，无需手动设计特征，能够达到同时实现特征学习和分类检测的目的，自适应性能好，具有较高的识别率，更加智能化，减少人工的操作。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法。

背景技术

输电线路是电力建设中的重要组成部分，由于受到台风、泥石流等恶劣天气的影响，输电线路不可避免的会发生塔材损坏、倒塌等严重危害，其中杆塔倒断的发生将对输电线路造成非常严重的损坏，甚至影响人们的日常生活，造成重大经济财产损失。

现代遥感技术的发展和快捷、多样的商业遥感图像数据的出现，使我们可以很方便的获取所需的高分辨率影像，高分辨率商业卫星影像高分二号、高分三号、高景一号、Geoeye-1、WordView-2、WordView-3、Pleiades和QuickBird-2的出现，大大拓宽了遥感应用范围，现代遥感技术不但用于宏观上的定性分析，而且也可以对地物进行定量分析和规划。在电力防灾减灾的应用中，可以对输电线路倒断杆塔进行智能检测。

杆塔倒断能够高效、准确检测的前提是对已发生的各地区、各种情况以及各类型塔发生倒断的状态进行详细的分析研究，因此需要数据量丰富、样本类型全面且多样化的倒断杆塔的高分辨率影像样本。而目前的倒断杆塔的高分辨率影像仅是原始图像，不包含任何标注信息。可见，首先需要对倒断杆塔的高分辨率影像进行人工标注。

传统的杆塔检测方法，首先需要手工设计特征，例如颜色、纹理、位置、形态等。因为手工设计特征需要大量的经验，需要对其应用领域和数据非常了解，还需对设计的特征进行大量的调试工作，在此基础上还需要有一个合适的分类器。手工设计特征，并选择一个分类器，合并两者并达到最优的效果，几乎是不可能完成的任务。

发明内容

本发明提供了一种基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法，无需手动设计特征，能够达到同时实现特征学习和分类检测的目的，更加智能化，减少人工的操作。

本发明提供了一种基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法，包括：

S1、获取若干张输入图像；

S2、通过选择性搜索法得到每张输入图像的候选区域后，计算每张输入图像上每个候选区域与对应的检测目标之间的重叠度，并将重叠度大于第一预设值的候选区域标记为第一正样本，重叠度小于以预设值的候选区域标记为第一负样本，保存至列表中每类检测目标的区域；

S3、采用列表遍历式策略从列表中抽取第一正样本和第一负样本，构成神经网络训练集；

S4、通过ILSCRC2012数据集对卷积神经网络进行预训练，并利用神经网络训练集对卷积神经网络进行微调，直至卷积神经网络收敛，得到训练后的卷积神经网络；

S5、将每类检测目标对应的输入图像上候选区域与检测目标之间的重叠度大于第二预设值的候选区域标记为第二正样本，重叠度小于第二预设值的候选区域标记为第二负样本，保存至每类检测目标的训练集中；

S6、利用训练后的卷积神经网络提取每类检测目标的训练集中第二正样本和第二负样本的特征向量，将第二正样本和第二负样本的特征向量作为每类检测目标的分类器的输入量中，对每类检测目标的分类器进行训练，得到每类检测目标的训练后的分类器。

可选地，所述将重叠度大于第一预设值的候选区域标记为第一正样本，重叠度小于以预设值的候选区域标记为第一负样本还包括：

根据候选区域的重叠度，确定第一正样本或第一负样本的信息权重值。

可选地，步骤S3具体为：