The invention discloses a background target classification system of transmission line based on unsupervised SDAE network, which includes video information acquisition module of UAV, neural network pre-training module, saliency target detection module, background target classification and calibration module. The process of background target classification of transmission line is that UAV video acquisition module obtains background area image information of transmission line by using UAV video acquisition equipment. The neural network preprocessing module trains the image by DBN network to obtain initial parameters of saliency detection. The saliency target detection module obtains reconstructed map by SDAE network, and obtains saliency target calibration by matching with original map. Graph, background target classification and calibration module input multi-scale feature vectors into DBN network to train fast target classification. The transmission line background target classification system proposed by the invention can accurately classify the transmission line background target, and the analysis results are stable and objective.
【技术实现步骤摘要】
一种基于无监督SDAE网络的输电线路背景目标分类系统
本专利技术涉及一种基于无监督SDAE网络的输电线路背景目标分类系统,属于图像分割与目标检测与分类领域。
技术介绍
随着我国电力行业的不断发展,输电线路网络作为国家电网的重要组成部分,是国家重要的基础设施,其数量和规模都在不断扩大。在农村地区,常有居民在输电线路沿线违规私自建造楼层过高的房屋,严重影响其自身的生命财产安全及输电线路的正常工作。在城市地区,由于地区规划复杂,人口众多,对于日常巡检的要求更高,需要及时发现可能存在的建筑物安全隐患。在地广人稀的地区,输电线路沿线大多是空地和树木,对于生长过高、已经危害到电力线正常工作的树木,需要及时的发现并处理。伴随着输电线路巡检技术不断地发展,由以往的人工巡检,到手持图像采集设备巡检,再发展到现在无人机巡检,效率在不断提升。但是对于巡检所获得的图像,都需要人工进行二次判断。在无人机复杂的高空航拍图像下,很难仔细的分辨出具体可能影响输电线工作的目标。因此,输电线路背景区域的显著性目标快速识别与分类成为了一个亟待解决的问题。随着深度学习和神经网络技术的发展,目标识别与分类技术也在不断发展,本专利技术采用一种基于无监督SDAE网络(StackedDenoisingAutoEncoder,SDAE,栈式降噪自编码网络)的显著性检测算法对输电线路的背景区域进行检测与分析,通过将视频采集设备及通讯装置固定在无人机上,对大范围目标快速进行视频采集,实时获取目标区域的图像信息,利用一种新型的基于无监督栈式降噪自编码网络的显著性检测算法,设计系统完成对目标区域背景物体的快速标定 ...
【技术保护点】
1.一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:包括以下程序模块:神经网络预训练模块:对录入的预先处理后的输电线路布线区域环境信息原始图像进行网络训练,构建RBM网络对输电线路布线区域环境信息原始图像进行逐层训练;由多层RBM网络嵌套形成DBN网络,将训练好的DBN网络参数传递至SDAE网络,作为SDAE网络初始化参数;显著性检测模块:利用互信息约束的SDAE网络模型对神经网络预训练模块输出的图像进行显著性检测,将原始图像与SDAE网络重构图像的差作为显著图,对所述显著图进行二值化处理,得到显著性目标检测图像Tx;背景目标分类与标定模块:SDAE网络训练产生的显著性目标检测图像均为小目标图像,将二值化处理后的显著性目标检测图像Tx与输电线路布线区域环境信息原始图像Tz进行图像匹配,获得背景区域小目标标定图。
【技术特征摘要】
1.一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:包括以下程序模块:神经网络预训练模块:对录入的预先处理后的输电线路布线区域环境信息原始图像进行网络训练,构建RBM网络对输电线路布线区域环境信息原始图像进行逐层训练;由多层RBM网络嵌套形成DBN网络,将训练好的DBN网络参数传递至SDAE网络,作为SDAE网络初始化参数;显著性检测模块:利用互信息约束的SDAE网络模型对神经网络预训练模块输出的图像进行显著性检测,将原始图像与SDAE网络重构图像的差作为显著图,对所述显著图进行二值化处理,得到显著性目标检测图像Tx;背景目标分类与标定模块:SDAE网络训练产生的显著性目标检测图像均为小目标图像,将二值化处理后的显著性目标检测图像Tx与输电线路布线区域环境信息原始图像Tz进行图像匹配,获得背景区域小目标标定图。2.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:在神经网络预训练模块中,在训练RBM网络的过程中,将从单个图像随机提取的p1个图像块作为输入数据,图像块的尺寸为a*b*c像素,分成R1批次正向训练RBM网络R2次;在网络反向传播过程中,将RBM网络训练过程中所有重构的编码数据分成R3批次反向训练RBM网络R4次。3.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:在神经网络预训练模块中,首先随机选取均值为0、标准差为0.1的高斯分布中的数值初始化网络节点参数,假设训练样本X的取值为X=(v1,v2,...,vm),根据RBM网络,得到所述训练样本的m维的编码后的样本Y=(h1,h2,...,hn);n维的编码认为是抽取了n个特征的样本,m维的编码后的样本按照以下规则生成:1)对于给定的训练样本X=(v1,v2,...,vm),隐藏层的第i个元素的取值为1的概率为:其中,σ(x)=1/(1+e-x)(2)其中,v为可视训练样本集合X,cj是隐藏节点的偏移量,设定节点元素取值hi={0,1},将节点元素值hi看作为编码后的样本Y,wij为连接权重,竖线代表条件概率,σ(x)为中间函数;2)设bi是可视节点的偏移量,则反向重构可视单元中第i个元素的取值为1的概率为:3)根据以下规则对RBM网络中的连接权重wij、隐藏节点的偏移量cj、可视节点的偏移量bi进行更新:vi'是一个样本,Δwij,Δci,Δbi分别是的变化连接权重wij、隐藏节点的偏移量cj、可视节点的偏移量bi的变化量,hi'为当前训练样本中节点元素值;与节点元素值hi对应,取值也为{0,1}。4.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,在显著性检测模块中,SDAE网络训练与显著性检测的处理过程如下...
【专利技术属性】
技术研发人员:马云鹏,李庆武,杨晓东,周亚琴,
申请(专利权)人:河海大学常州校区,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。