[发明专利]一种输电线路螺栓语义分割方法及系统在审

专利信息
申请号: 202010435814.3 申请日: 2020-05-21
公开(公告)号: CN113724181A 公开(公告)日: 2021-11-30
发明(设计)人: 付以贤;李振宇;韩正新;李敏;张飞;王万国;刘广秀;刘丕玉;刘越;田源;张旭;刘凯;王琦;刘斌;周洋 申请(专利权)人: 国网智能科技股份有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06T7/11;G06K9/46;G06K9/62;G06N3/04
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 董雪
地址: 250101 山东省济南市高新孙村片区飞跃大道以*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 输电 线路 螺栓 语义 分割 方法 系统
【权利要求书】:

1.一种输电线路螺栓语义分割方法,其特征在于,包括:

对于获取到的输电线路待识别图像,对螺栓所在的区域进行定位,得到螺栓区域定位图像;

分别获取所述螺栓定位图像的具有细节特征的全卷积低层特征图和具有语义信息的空洞卷积金字塔池化高层特征图;

将所述高层特征图进行上采样操作后,与低层特征图融合;

对于融合后的特征图进行卷积与采样操作,得到螺栓定位图像的像素级分割结果,实现输电线路螺栓语义分割。

2.如权利要求1所述的一种输电线路螺栓语义分割方法,其特征在于,对输电线路螺栓所在的区域进行定位的过程包括:

对获取到的输电线路待识别图像进行预处理,将处理后的图像输入训练好的深度卷积神经网络模型,输出螺栓所在的区域的定位结果。

3.如权利要求1所述的一种输电线路螺栓语义分割方法,其特征在于,获取所述螺栓定位图像的具有细节特征的低层特征图的过程包括:

将螺栓所在区域的定位图像输入到训练好的全卷积神经网络进行特征提取,在浅层网络提取具有细节特征的低层特征图。

4.如权利要求3所述的一种输电线路螺栓语义分割方法,其特征在于,所述全卷积神经网络的训练过程包括:

构建螺栓区域定位图像语义分割数据集,对所述数据集中所有图像中的像素进行类别标记,得到图像中螺栓和背景的语义标注;

基于所述图像语义分割数据集对全卷积神经网络进行训练。

5.如权利要求1所述的一种输电线路螺栓语义分割方法,其特征在于,获取所述螺栓定位图像的具有语义信息的高层特征图的过程包括:

螺栓所在区域定位图像通过空洞全卷积神经网络获取高级语义信息,输出降维的特征图;

通过多个膨胀率的空洞卷积以并联方式对特征图进行处理,得到高层特征图。

6.如权利要求5所述的一种输电线路螺栓语义分割方法,其特征在于,将所述低层特征图和高层特征图进行融合的过程包括:

通过多个膨胀率的空洞卷积以并联方式对特征图进行处理后,通过编码器对处理后的特征图进行卷积操作获取编码特征;

将编码器的输出特征图进行上采样操作,得到高层特征;

通过解码器对低层特征图进行卷积以实现通道压缩,得到低层特征;

将得到的高层特征和低层特征连接在一起,实现特征融合。

7.如权利要求1所述的一种输电线路螺栓语义分割方法,其特征在于,基于融合后的特征图得到螺栓所在区域定位图像的像素级分割结果,具体过程包括:

将融合后的特征图进行卷积操作,然后进行上采样操作,得到像素级分割结果。

8.一种输电线路螺栓语义分割系统,其特征在于,包括:

输电线路螺栓区域定位模块,用于针对获取到的输电线路待识别图像,对螺栓所在区域进行定位,得到螺栓所在区域定位图像;

定位图像特征图提取模块,用于分别获取所述定位图像的具有细节特征的低层特征图和具有语义信息的高层特征图;

特征融合模块,用于将所述低层特征图和高层特征图进行融合;

输电线路螺栓语义分割模块,用于对融合后的特征图进行卷积与采样操作,得到螺栓定位图像的像素级分割结果,实现输电线路螺栓语义分割。

9.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的输电线路螺栓语义分割方法。

10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的输电线路螺栓语义分割方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网智能科技股份有限公司,未经国网智能科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010435814.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top