[发明专利]一种输电线路螺栓语义分割方法及系统

说明书

本发明公开了一种输电线路螺栓语义分割方法及系统，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，得到螺栓所在区域的定位图像；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；将所述低层特征图和高层特征图进行融合；基于融合后的特征图得到定位图像的像素级语义分割结果，实现输电线路螺栓的缺陷分类。本发明有益效果：通过螺栓区域定位图像滤除了图像绝大部分背景，非常有效地降低了背景干扰，提高了螺栓的识别精度；通过融合多尺度空洞卷积池化特征与多维度高低层特征信息，提高了螺栓的分类精细化程度，实现了对输电线路螺栓的语义分割。

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种输电线路螺栓语义分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着深度学习技术的快速发展，基于神经网络的目标检测算法得到了广泛应用。神经网络通过自学习目标的特征，实现对目标的分类识别。

输电线路部件众多，对于线夹、防震锤、绝缘子等尺寸较大的目标来说，由于在图像中面积占比较大，特征比较显著，神经网络在训练时也较为容易地学习到大尺寸目标的显著特征，目标的分类识别效果也较好。

根据国际组织SPIE的定义，当目标物小于图像像素的0.12％时可划分为小尺寸目标。比如，在一张4288*2848的无人机巡检图像中，螺栓所占像素小于200*200，因此螺栓识别问题可划分为小尺寸目标识别问题。

对于螺栓这种小尺寸目标来说，在图像中面积占比较小，亮度、色度、边缘等特征信息比较少，并且螺栓与背景尺寸不均衡，若神经元采用较小感受野，难以捕获全局信息，用较大感受野则容易丢失螺栓的特征，因此，在经过神经网络学习时，难以感知螺栓的特征信息，导致识别效果欠佳；另外，发明人发现，螺栓的缺陷识别属于细粒度图像识别问题，细粒度目标由于大部分特征相似，更加加重了识别的难度，比如一个有销子的螺栓与一个缺销子的螺栓，两者差距仅在细小的销子上，当对螺栓缺销子这一缺陷进行识别时，很容易将带销子的螺栓误判为缺销子的螺栓。因此对于螺栓的缺陷识别，仅仅依靠传统的深度学习目标检测算法难以达到理想的效果，需要考虑如何丰富螺栓的特征。

发明内容

有鉴于此，本发明提出了一种输电线路螺栓语义分割方法及系统，利用训练好的卷积神经网络目标检测模型，对螺栓所在的大致区域进行定位识别，从而获取到螺栓所在区域定位图像；对于定位图像中的螺栓进行像素级语义信息标注，利用联合深度全卷积神经网络与空洞卷积金字塔池化的编码-解码语义分割模型，对螺栓的语义特征进行训练学习，从而达到对螺栓像素级分割的目的。

根据本发明实施例的第一个方面，提供了一种输电线路螺栓语义分割方法，包括：

对于获取到的输电线路待识别图像，利用训练好的深度神经网络检测模型，对螺栓所在的区域进行定位，得到螺栓区域定位图像；

利用全卷积神经网络模型，分别获取所述螺栓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；

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。

根据本发明实施例的第二个方面，提供了一种输电线路螺栓语义分割系统，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，对螺栓所在的区域进行定位，得到螺栓所在区域的定位图像；

螺栓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；