[发明专利]基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统

权利要求书

1.基于密集连接的Yolov3网络的井下管道异常目标识别方法，其特征在于，包括以下步骤：

步骤1、从井下采集的模糊图像经过TESRGAN网络去噪超分辨率重构预处理；

步骤2、对处理图像输入进行特征提取，其中每个卷积块内部的连续卷积层采用密集串联方式，在主干特征提取网络的中间，中下，底层分别进行三层提取多特征层，分别卷积特征处理之后，进行上采样，相互堆叠拼接，同时另一部分用于结果预测，得到预测结果；

步骤3、对预测结果进行翻译解码，得出最后显示边界框的坐标b_x,b_y，宽高b_w,b_h，得出了边界框的位置；

步骤4、根据生成的若干边界框，将最大概率的框筛选出来，作为最终边界框；得出识别结果。

2.根据权利要求1所述的基于密集连接的Yolov3网络的井下管道异常目标识别方法，其特征在于，所述步骤1的具体执行过程如下：

步骤11.采用过残差模型进行非线性映射，一个残差单元的基本公式表示为：

^x＝R(x)＝σ(F(x,W)+h(x))

其中^x表示残差单元的输出，R(x)表示残差单元结构的函数，函数σ表示的是RELU激活函数，W表示一组权重，F(x,W)表示需要学习的残差映射，h(x)表示恒等映射，也就是h(x)＝x；

步骤12.再通过上层Meta-Upscale采样层和卷积层，得到根据真实图像数据重构生成的高分辨率图像数据，采样原理如下：

I^SR(i,j)＝ψ(F^LR(i’,j’),W(i,j))

其中F_LR表示由特征学习模块提取的特征，并假定缩放因子是r，I^SR(i,j)表示对于SR图像上的每个像素(i,j)，它由ILR图像上像素(i′,j′)的特征与一组相应卷积滤波器的权重W(i,j)所共同决定；

步骤13.通过Location Projection、Weight Prediction、Feature Mapping三个模块，完成对不同的放缩大小的权值计算的以及在任意尺度下完成输出像素和LR特征图上的对应；

步骤14.再通过同时将真实数据与生成的数据输入TESRGAN增强型超分辨率对抗网络，由判别网络分辨生成数据和真实数据，获取两种图像特征，通过特征向量的比较获得LOSS值，将结果反馈给生成网络，完成生成对抗的学习过程，不断优化生成网络的分辨率重构能力，最后得到超分辨率的重构井下图像。