[发明专利]一种基于深度学习的导线漂浮物智能识别方法及装置

权利要求书

1.一种基于深度学习的导线漂浮物智能识别方法，其特征在于，包括：

采用图像重组的方式将获取的卫星影像数据进行数据增强，获取训练集；

采用Canny边缘检测算子处理所述训练集以获取目标导线；

根据特征金字塔模型将预设的SSD模型中的深层特征与浅层特征相融合，获取改进后的SSD模型，将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别，获取目标导线漂浮物；

若所述目标导线与所述目标导线漂浮物比对成功，则获取最终目标导线漂浮物。

2.根据权利要求1所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述获取最终目标导线漂浮物，具体为：

若所述目标导线的位置与所述目标导线漂浮物的位置重叠，则确定所述目标导线漂浮物为所述最终目标导线漂浮物，否则，确定所述将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别不准确。

3.根据权利要求2所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述采用图像重组的方式将获取的卫星影像数据进行数据增强，具体为：

对所述卫星影像数据进行预处理，获取预处理后的数据，将所述预处理后的数据中的目标数据与背景数据分割之后，再将分割后的目标数据与预设的背景数据进行融合。

4.根据权利要求3所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，对所述卫星影像数据进行预处理，具体为：对所述卫星影像数据进行灰度化、中值滤波以及高斯滤波处理。

5.根据权利要求4所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述将所述预处理后的数据中的目标数据与背景数据分割，具体为：

遍历所述预处理后的数据，采用模板匹配框选所述目标数据，建立所述预处理后的数据的目标框，并采用Grabcut算法对所述目标框进行分割。

6.根据权利要求5所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述分割后的目标数据与预设的背景数据进行融合，具体为：

结合所述分割后的目标数据的像素点P_t、所述预设的背景数据的像素点P_b以及相应的权重系数进行融合，如下：

其中，P_new表示所述训练集的像素点，α和β表示权重系数。

7.根据权利要求6所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述采用Canny边缘检测算子处理所述训练集以获取目标导线，具体为：

采用高斯滤波对所述训练集去噪后，再计算梯度模和方向并保留梯度方向上的最大梯度值；

采用滞后阈值将所述训练集中由于噪声干扰导致断裂的目标边缘进行缺失值填充，获取所述Canny边缘检测算子处理结果；

根据导线特性提取所述Canny边缘检测算子处理结果中的导线，获取所述目标导线，其中，所述导线特性包括贯穿所述训练集的图像以及包含多条平行线。

8.根据权利要求6所述的基于深度学习的导线漂浮物智能识别方法，其特征在于，所述根据特征金字塔模型将预设的SSD模型中的深层特征与浅层特征相融合，具体为：

采用双线性插值法获取所述深层特征的语义信息，并将所述语义信息传递至含位置信息的所述浅层特征进行融合。

9.一种基于深度学习的导线漂浮物智能识别装置，其特征在于，包括：

数据处理模块，用于采用图像重组的方式将获取的卫星影像数据进行数据增强，获取训练集；

第一提取模块，用于采用Canny边缘检测算子处理所述训练集以获取目标导线；

第二提取模块，用于根据特征金字塔模型将预设的SSD模型中的深层特征与浅层特征相融合，获取改进后的SSD模型，将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别，获取目标导线漂浮物；

比对模块，用于若所述目标导线与所述目标导线漂浮物比对成功，则获取最终目标导线漂浮物。

10.根据权利要求9所述的基于深度学习的导线漂浮物智能识别装置，其特征在于，所述比对模块，还用于：

若所述目标导线的位置与所述目标导线漂浮物的位置重叠，若所述目标导线的位置与所述目标导线漂浮物的位置重叠，则确定所述目标导线漂浮物为所述最终目标导线漂浮物，否则，确定所述将所述训练集输入所述改进后的SSD模型中进行导线漂浮物识别不准确。