基于多阈值级联检测器的双通道电力图零部件检测方法技术

本发明专利技术公开了一种基于多阈值级联检测器的双通道电力图零部件检测方法，属于电力图纸智能识别技术领域，所述方法包括：获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果。本发明专利技术利用基于卷积神经网络的目标检测技术，能够实现对各种不同类型的电力图零部件的快速精准定位与快速类型识别。

【技术实现步骤摘要】
基于多阈值级联检测器的双通道电力图零部件检测方法
本专利技术涉及电力图纸智能识别
，特别是指一种基于多阈值级联检测器的双通道电力图零部件检测方法。
技术介绍
海量的电力工程图纸需要耗费极大的人力资源来进行信息统计和内容分析。现有技术中通过设计相关算法，对电力图中的零部件进行精准定位与类型识别，不仅能减轻工作人员对图像内容分析的压力，还是智能识图、图像重要信息抽取、图片内容自动纠错等技术不可或缺的一部分。目标检测是用于识别图像中目标的位置，并确定目标类型的技术。近年来,随着深度卷积神经网络的广泛应用，目标检测技术在精度和速度上均取得了长足的进步。根据目标检测所需要的阶段数，现有基于CNN(ConvolutionalNeuralNetworks，卷积神经网络)的目标检测模型大致可以分为两类，分别为一阶段检测器和二阶段检测器。其中以YOLO(YouOnlyLookOnce)和SSD(SingleShotMultiBoxDetector)为代表的一阶段检测模型直接使用前馈CNN来预测位置框，以FasterR-CNN和R-FCN为代表的二阶本文档来自技高网...

【技术保护点】
1.一种基于多阈值级联检测器的双通道电力图零部件检测方法，其特征在于，包括：/n获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；/n将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；/n根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果；/n其中，所述双通道检测模型的网络架构为：首先用残差网络ResNet101作为特征提取的网络，并在其中增加特征金字塔结构FPN，之后构建区域生成网络RPN子网络，以对FPN提取的不同尺度的特征图生成感兴趣区域RoIs，再对生成的RoIs进...

【技术特征摘要】
1.一种基于多阈值级联检测器的双通道电力图零部件检测方法，其特征在于，包括：
获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；
将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；
根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果；
其中，所述双通道检测模型的网络架构为：首先用残差网络ResNet101作为特征提取的网络，并在其中增加特征金字塔结构FPN，之后构建区域生成网络RPN子网络，以对FPN提取的不同尺度的特征图生成感兴趣区域RoIs，再对生成的RoIs进行RoIAlign操作，最后搭建多阈值精准边框回归与类别检测子网络，以对RoIAlign操作后的RoIs进行检测；分别利用原图训练集和子图训练集对该网络架构进行端到端的联合训练，即得所述双通道检测模型，所述双通道检测模型包括原图通道和子图通道。


2.根据权利要求1所述的方法，其特征在于，所述用残差网络ResNet101作为特征提取的网络，并在其中增加特征金字塔结构FPN，包括：
构建自底向上的特征提取卷积网络，获得增强的语义信息，得到ResNet101网络，所述ResNet101网络由若干卷积层组成，将大小相同的分成一组，共计有五组，由下而上每组的最后一卷积层依次为C1-C5，相邻组之间输出特征图的分辨率大小减半；
FPN使用一个1x1的卷积过滤器将C5的通道数降至256维，得到中间特征图M5，接着应用一个3x3的卷积操作，得到用于送入后续RPN子网络进行RoI生成的第一个特征图P5；
沿着自顶向下的路径往下，FPN对之前的层应用最近邻上采样使得空间分辨率翻倍，同时FPN对ResNet101网络自底向上通路中的相应特征映射应用1x1卷积，并把它加到上采样的结果里，接着同样应用3x3卷积得到减轻了上采样的混叠效应，且用于送入后续RPN子网络进行RoI生成的第二个特征图P4；重复该步骤，得到用于送入后续RPN子网络进行RoI生成的第三个特征图P3和第四个特征图P2。


3.根据权利要求2所述的方法，其特征在于，所述构建区域生成网络RPN子网络，以对FPN提取的不同尺度的特征图生成感兴趣区域RoIs，包括：
预定义候选框：具有{322,642,1282,2562,5122}五种大小尺度和{1:2,1:1,2:1}三种纵横比的一共15种Anchors为候选框，用于对特征图上的每个锚点处不同形状的零部件利用对应尺寸的候选框进行框选；
将FPN得到的特征图P2-P5进行3x3卷积操作，之后RPN子网络分为2条支路：第一条经过1x1的卷积得到2*15维度的特征图后，用softmax分别预测每个锚点处的15个Anchors属于正例和负例的概率；第二条用1x1的卷积得到4*15维度的特征图，得到每个Anchor的边框回归的四个偏移量数值，以获得精确的候选框；
由候选框生成层负责综合正例Anchors和对应的边框回归的偏移量，最终得到候选框RoIs。


4.根据权利要求3所述的方法，其特征在于，所述由候选框生成层负责综合正例Anchors和对应的边框回归的偏移量，最终得到候选框RoIs，包括：
对所有生成的Anchors按照边框回归的偏移量进行回归处理，得到修正后的Anchors；
按照输...

【专利技术属性】
技术研发人员：李昊，管荑，王杉，李慧聪，石玮，王黎，陈静，于嘉琳，吴建龙，
申请(专利权)人：国网山东省电力公司青岛供电公司，国家电网有限公司，山东大学，
类型：发明
国别省市：山东;37