[发明专利]一种基于深度迁移学习的光学遥感图像杆塔位置检测方法

权利要求书

1.一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，其特征在于：所述方法步骤如下：

步骤一：采集光学遥感图像杆塔原始数据以及源域原始数据，并进行标注和标准化，得到杆塔数据和源域数据；

步骤二：将源域数据分为源域训练集、源域验证集和源域测试集，将杆塔数据分为目标域训练集、目标域验证集和目标域测试集；

步骤三：对源域训练集和源域验证集进行数据增强，得到用于网络训练的源域训练数据，对目标域训练集和目标域验证集进行数据增强，得到用于网络训练的目标域训练数据；

步骤四：通过叠加2处Inception模块，并在网络后端添加RPN模块，构建杆塔目标检测的深度神经网络；

步骤五：利用步骤三得到的源域训练数据训练步骤四得到的深度神经网络，得到在源域上的检测网络；

步骤六：调整网络训练超参数和网络末端分类类别数，利用步骤三得到的目标域训练数据对步骤五得到检测网络进行微调得到目标域上的检测模型；

步骤七：利用步骤二得到的目标域测试集对步骤六得到的目标域上的检测模型进行测试。

2.根据权利要求1所述的一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，其特征在于：所述步骤三中分别对源域训练集、源域验证集、目标域训练集、目标域验证集按以下增强方法的任意组合进行数据增强：

1)为提高模型对成像角度的鲁棒性，进行旋转角度和翻转的数据增强；

2)为提高模型对光照变化的鲁棒性，进行调整亮度和饱和度的数据增强；

3)为提高模型对输电塔状态变化的鲁棒性，进行扭曲变形的数据增强；

4)为提高模型对输电塔尺寸变化的鲁棒性，进行缩放的数据增强。

3.根据权利要求1所述的一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，其特征在于：步骤一中，所述源域原始数据为DOTA数据集。

4.根据权利要求1所述的一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，其特征在于：所述步骤四的具体步骤如下：

通过在神经网络前半部分特征提取阶段叠加2处Inception模块，在网络后端添加RPN模块，它们之间通过卷积层或池化层连接，构建杆塔目标检测的深度神经网络。

5.根据权利要求1所述的一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，其特征在于：步骤六中微调的过程：调整网络训练超参数学习率为原来1/30，网络末端分类类别数为2。