【技术实现步骤摘要】
基于深度学习的通信塔挂载设备分类方法及系统
[0001]本专利技术属于目标检测
，具体涉及一种基于深度学习的通信塔挂载设备分类方法及系统。
技术介绍
[0002]通信铁塔上的挂载设备存在环绕多层、类别多样、通信频率不一致等情况，再加上复杂多变的电磁辐射环境和琳琅满目的通信设备种类，当需要对通信塔设备进行识别分类和应用时，存在诸多困难。从实际环境中准确高效的提取需要的设备特征并进行判别设备类型及其位置是当前通信铁塔挂载设备分类识别中一个重要的方向。当前对于通信塔设备识别主要集中在对信号的辨别和设备图片的分辨上，如果采用人工上塔排查通信设备则存在危险、人工耗时长等问题。
[0003]目标分类检测作为计算机视觉领域中的一项基本任务，近年来在众多场景中都取得了不错的成果，但目前针对现实场景下的铁塔挂载设备识别分类任务仍然存在许多不足，且大多场景下仅能对单一通信设备进行特征提取识别。比如CN108037133A公开了一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统，并公开了通过无人机采集输电线路图像，并通过提取图...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的通信塔挂载设备分类方法，其特征在于，所述方法包括：获取无人机拍摄通信塔图片时刻的高度数据和姿态数据，对采集的图片进行预处理，构建数据集；以Yolov7网络模型为基础，在head模块的损失函数的计算上，考虑无人机拍摄图片时的高度、角度和通信塔挂载设备的状况，并在predict模块中引入多重注意力机制模块，生成yolov7
‑
vsz网络模型；将数据集输入yolov7
‑
vsz网络模型进行通信塔挂载设备分类训练，保留最优模型；将待测图片输入训练好的yolov7
‑
vsz网络模型，输出通信塔挂载设备识别结果。2.根据权利要求1所述的基于深度学习的通信塔挂载设备分类方法，其特征在于，所述yolov7
‑
vsz网络模型的具体结构包括：backbone模块，采用模块级重参化，使用高效聚合网络ELAN，包括依次连接的输入层、卷积层、卷积层、第一ELAN层、最大池化层、第二ELAN层、最大池化层、第三ELAN层、最大池化层、第四ELAN层；head模块，采用辅助头训练以及相应的正负样本匹配策略，对backbone模块的不同ELAN层输出结果进行高阶信息空间交互融合和多支路特征提取，输出三层不同size大小的特征图；predict模块，分别采用注意力机制对head模块输出的不同size...
【专利技术属性】
技术研发人员：戴浩，张常，
申请(专利权)人：武汉思众空间信息科技有限公司，
类型：发明
国别省市：
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。