[发明专利]一种基于卷积神经网络的电缆巡检图片目标检测方法

权利要求书

1.一种基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于，包括以下步骤：

步骤一：获取巡检图片，建立目标检测的分类类别，所述分类类别包括挖掘机(digger)、安全帽(helmet)和施工围挡(fence)，并对所述分类类别进行基于YOLO-TN和YOLOv3的模型构建；

步骤二：构建完成的模型包括输入层、隐含层、承接层、输出层，然后向所述模型输入包含所述分类类别的图片；

步骤三：将获取的所述分类类别的图片作为训练样本，采用卷积神经网络的初始权值和阈值，训练网络，确定最优的神经网络结构；

步骤四：将实时采集的图片输入到所述步骤三中训练好的卷积神经网络模型中，输出目标图形检测结果。

2.根据权利要求1所述的一种基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于：所述卷积神经网络是由宽度、高度和深度构成的三维结构，进行图像识别和目标检测任务时表达式如下：

其中式中，D为通道数量，即卷积核数量，F为卷积核尺寸，为卷积核的第d层通道第m行第n列权重，为第l层输出矩阵的第d层通道第i行第j列数值。

3.根据权利要求2所述的基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于：所述卷积神经网络的梯度包含权重值w_i，j和偏置项w_b两部分，在二维运算的情况下，有下式：

input^l-1＝f_conv(W^l-1，a^l-2)+w_b；

其中，input^l-1表示第l-1层的加权输入，矩阵中每一点的数值是l-1层的相对应的前一层l-2层m×n区域内的元素值分别与m×n卷积核中对应权重值相乘之后的数值之和再加上偏置项w_b；

所述l-1层经过激活函数的输出如下式：

则l层的输入为：

input^l＝f_conv(W^l，a^l-1)+w_b；

由于权重值共享，所有的权重值w_1，1…w_m，n对均产生影响，所以可表示为下式：

根据损失因子的定义：

进而得出：

其中，w_i，j为卷积核第i行第j列权重，w_b为偏置项权重，为第l层第i行第j列的损失因子，偏置项w_b的梯度的求取与w_i，j类似，由于：

所以

4.根据权利要求1所述的一种基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于：在步骤二中所述的卷积神经网络的输入层有2个神经元，输出层有1个神经元，隐含层有10个神经元，承接层有10个神经元。

5.根据权利要求1所述的一种基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于：步骤二中所述神经网络的各层神经元数目是通过网络训练确定的；通过训练隐含层不同神经元数目的卷积神经网络，选择计算性能最优的网络隐含层神经元个数。

6.根据权利要求1所述的一种基于卷积神经网络的电缆巡检图片目标检测方法，其特征在于：步骤三中将YOLOv3与神经网络相结合，以模型输出误差最小为寻优对象，确定神经网络的初始权值和阈值，进而确定性能最优的卷积神经网络参数。