基于CenterNet的用于无人机巡检的挖掘机检测方法技术

本发明专利技术涉及基于CenterNet的用于无人机巡检的挖掘机检测方法，包括以下步骤：S1、训练数据集的建立；S2、CenterNet的训练；S3、挖掘机检测。本发明专利技术为挖掘机的车身和铲斗设计了空间注意力机制，并在传统目标检测数据集的格式上新增相应的标注；结合标注热力图对空间注意力机制进行训练，使其分别聚焦于车身和铲斗，实现对输入图像中空间位置的重要性的建模；充分利用挖掘机的视觉特性，通过使网络聚焦于目标的重要区域，减少无关背景对检测结果的影响，进而提升检测性能。

【技术实现步骤摘要】
基于CenterNet的用于无人机巡检的挖掘机检测方法
本专利技术属于目标检测
，具体涉及基于CenterNet的用于无人机巡检的挖掘机检测方法。
技术介绍
近年来，挖掘机施工作业引起的管道事故时有发生。如何高效地检测管道网络附近的挖掘机在改善管道风险管理中起着重要的作用。现有挖掘机检测方法主要是利用无人机在高空对管网进行航拍，对挖掘机进行定期或随机流动性的检测，以便能够及时发现挖掘机的施工。其中，具体的挖掘机检测原理为：通过航拍获取带有挖掘机目标对象的图片制作成数据集，对数据集利用卷积神经网络的相关算法达到挖掘机检测的效果。例如，申请号为201811351933.X的专利文献公开了基于深度学习用于高空巡检下的挖掘机检测方法，引入深度神经网络进行目标预测，适用于较大规模的数据训练，通过原始图像的输入，获取图像特征，通过训练得到的模型能准确地对视野范围内的目标挖掘机进行精准的识别。然而，面对复杂的航拍环境，且航拍图像中挖掘机的尺寸较小，复杂的图像背景对挖掘机的识别存在一定的影响，导致难以高效准确地检测识别出挖掘机的存在。...

【技术保护点】
1.基于CenterNet的用于无人机巡检的挖掘机检测方法，其特征在于，包括以下步骤：/nS1、训练数据集的建立；/n收集具有挖掘机的历史图像，对历史图像中的目标进行标注，建立训练数据集；其中，历史图像中的目标包括挖掘机以及挖掘机的车身和铲斗；/nS2、CenterNet的训练；/n将训练数据集输入CenterNet，提取feature map，接着对feature map进行卷积以获取车身和铲斗的热力图预测，然后分别进行全局最大池化和全局平均池化处理，再进行维度拼接、卷积和sigmoid激活层后，获取空间注意力特征图，最后将空间注意力特征图与feature map相乘后再进行卷积得到网络输出...

【技术特征摘要】
1.基于CenterNet的用于无人机巡检的挖掘机检测方法，其特征在于，包括以下步骤：
S1、训练数据集的建立；
收集具有挖掘机的历史图像，对历史图像中的目标进行标注，建立训练数据集；其中，历史图像中的目标包括挖掘机以及挖掘机的车身和铲斗；
S2、CenterNet的训练；
将训练数据集输入CenterNet，提取featuremap，接着对featuremap进行卷积以获取车身和铲斗的热力图预测，然后分别进行全局最大池化和全局平均池化处理，再进行维度拼接、卷积和sigmoid激活层后，获取空间注意力特征图，最后将空间注意力特征图与featuremap相乘后再进行卷积得到网络输出，并结合目标标注计算损失函数，通过反向传播算法最小化损失函数以优化网络参数；
S3、挖掘机检测；
通过无人机采集航拍图像，对航拍图像进行图像分块得到数个图像区块，各图像区块分别输入训练后的CenterNet进行挖掘机检测。


2.根据权利要求1所述的基于CenterNet的用于无人机巡检的挖掘机检测方法，其特征
在于，所述步骤S2中，CenterNet的训练过程中，根据训练数据集中真实的目标标注生成标
签图，具体通过将历史图像中的目标中心关键点映射到下采样后的标
签图的上，采用高斯核将关键点分布
到尺寸为y的c通道特征图上，c代表目标类别，R为下采样因子，为与目标大小相关的
标准差，x和y为高斯核函数中的坐标值；
CenterNet训练的损失函数包括中心关键点类别预测损失、位置偏移损失Loff和目标
宽高的损失，分别使用focalloss和L1loss进行计算，得到：









其中，N表示关键点的个数，α和β为focalloss的超参数，、和为预测的
中心关键点、位置偏移和目标宽高，、和为对应的真实值；
则最终的损失函数Ldet可表示为：



将车身和铲斗的热力图预测与预先标注好的车身和铲斗的标签图计算损...

【专利技术属性】
技术研发人员：滕卫明，钱伟斌，钱济人，丁楠，杨秦敏，范海东，李清毅，陈积明，于晋，周君良，吴昀，
申请(专利权)人：浙江浙能天然气运行有限公司，浙江省能源集团有限公司，浙江大学，
类型：发明
国别省市：浙江;33