System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力线缆检测,尤其涉及一种基于卷积神经网络和频域增强的电力线缆检测方法及装置。
技术介绍
1、传统的电力线缆检查都是基于人工的,通常较为费时且费力,并且存在大量危害检查人员生命的情形。为了解决这个问题,无人机等高端设备被用于电力线缆检查,该电力线缆检查方式严重依赖电力线缆检测技术。
2、目前的电力线缆检测通常采用目标检测或者分割的方式,取得了一定的效果。但目标检测很难准确描述线缆的位置和大小,对于准确确定线缆位置无能为力。图像分割能够确定图像中像素是否为线缆,但是其准确性不佳,导致实际应用受限。
技术实现思路
1、为克服现有电力线缆检测技术存在的缺陷,本专利技术的实施例提供一种基于卷积神经网络和频域增强的电力线缆检测方法,包括:
2、原始图像前处理步骤,通过人工对包含电线的原始图像中的电线区域进行标记,得到标记的电线区域,并对原始图像进行小波变换,得到低频子图像和高频子图像;
3、搭建网络模型步骤,搭建包含编码网络和解码网络的网络模型,所述编码网络用于对所述低频子图像和所述高频子图像进行编码操作,以提取多尺度特征,所述解码网络用于对所述编码网络提取的多尺度特征进行转换和提升分辨率,使得特征的边界更加清晰;
4、训练网络模型步骤,将已标记的数据输入到所述网络模型中,所述网络模型给出一个预测的电线区域;比较所述预测的电线区域和所述标记的电线区域得到预测结果的误差,并根据所述预测结果的误差对所述网络模进行纠正,重复进行该操作直
5、电力线缆检测(预测)步骤,利用所述已训练网络模型进行电力线缆的检测(预测)。
6、本专利技术的实施例还可采用如下优选或可选方案:
7、所述高频子图像包含图像细节信息,并包括水平高频分量子图像、垂直高频分量子图像和对角高频分量子图像;所述低频子图像包含图像全局信息。
8、所述编码网络中小波变换的相关函数为:
9、二维尺度函数如式(1)
10、φ(x,y)=φ(x)φ(y) 式(1),
11、二维小波函数如式(1)-式(4)
12、ψh(x,y)=ψ(x)φ(y) 式(2),
13、ψv(x,y)=φ(x)ψ(y) 式(3),
14、ψd(x,y)=ψ(x)ψ(y) 式(4),
15、尺度函数如式(5)
16、
17、小波变换函数如式(6)
18、
19、其中,j表示小波分解的尺度,x,y分别表示图像的位置坐标,m,n分别表示滤波的位置坐标,h表示水平方向分解的取值,v表示垂直方向分解取值,d表示对角方向分解取值,φi表示函数
20、所述编码网络通过所述小波变换的下采样实现多尺度特征提取,所述尺度包括原始图像的尺寸、原始图像二分之一大小和原始图像四分之一大小;所述解码网络在最大分辨率的特征上预测电线区域。
21、当所述小波分解的尺度j的取值为原始图像的尺寸时,卷积核大小为3×3,卷积通道数为16;当所述小波分解的尺度j的取值为原始图像二分之一大小时,卷积核大小为3×3,卷积通道数为32;当所述小波分解的尺度j的取值为原始图像四分之一大小时,卷积核大小为3×3,卷积通道数为64。
22、每个所述编码网络都包含一个可分离卷积模块和一个残差可分离卷积模块,每个所述可分离卷积模块包含一个深度卷积和一个点卷积,每个所述残差可分离卷积模块包含三个可分离卷积;
23、对于一个尺度j而言,通过如下公式得到输出:
24、f1=dconv(fin),
25、fout=dconv(dconv(dconv(f1)))+f1,
26、其中,f1表示输出特征,fin表示残差分离卷积模块的输入特征,fout表示残差可分离卷积模块的输出特征,dconv可以通过如下公式进行表示,
27、dconv=dwconv+relu+conv1*1+relu,
28、其中,dconv表示小波变换,dwconv表示可分离卷积,relu是激活函数,conv1*1表示卷积核大小为1×1的卷积;
29、每个所述解码网络都包含两个可分离卷积模块和一个残差可分离卷积模块,其中一个所述可分离卷积模块用于融合所述编码网络的特征和上采样的特征,另一个所述可分离卷积用于减少特征通道数,所述残差可分离卷积用于预测电线区域。
30、所述可分离卷积模块中的深度卷积用于增大特征的通道数,从而提升所述训练网络模型的速度和特征学习能力,残差可分离卷积模块用于增强特征的表达能力。
31、所述残差可分离卷积模块包含三个可分离卷积和一个相加操作,以提升所述训练网络模型的表达能力,其中一个所述可分离卷积用于提取特征的残差。
32、所述相加操作是元素级别上的加操作。
33、本专利技术的实施例还提供一种基于卷积神经网络和频域增强的电力线缆检测装置,包括:
34、原始图像前处理模块,通过人工对包含电线的原始图像中的电线区域进行标记,得到标记的电线区域,并对原始图像进行小波变换,得到低频子图像和高频子图像;
35、搭建网络模型模块,搭建包含编码网络和解码网络的网络模型,所述编码网络用于对所述低频子图像和所述高频子图像进行编码操作,以提取多尺度特征,所述解码网络用于对所述编码网络提取的多尺度特征进行转换和提升分辨率,使得特征的边界更加清晰;
36、训练网络模型模块,将已标记的数据输入到所述网络模型中,所述网络模型给出一个预测的电线区域;比较所述预测的电线区域和所述标记的电线区域得到预测结果的误差,并根据所述预测结果的误差对所述网络模进行纠正,重复进行该操作直到所述网络模型的预测结果正确为止,得到已训练网络模型;
37、电力线缆检测(预测)模块,利用所述已训练网络模型进行电力线缆的检测(预测)。
38、本专利技术的实施例与现有技术相比至少具有如下有益效果:
39、本专利技术实施例中提出的基于卷积神经网络和频域的电力线缆检测方法及装置,能够精确定位电力线缆位置,尤其是在电力线缆的边界位置,从而能解决或减少误识别问题。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,包括:
2.如权利要求1所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,所述高频子图像包含图像细节信息,并包括水平高频分量子图像、垂直高频分量子图像和对角高频分量子图像;
3.如权利要求2所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,所述编码网络中小波变换的相关函数为:
4.如权利要求3所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:
5.如权利要求4所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:
6.如权利要求5所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:每个所述编码网络都包含一个可分离卷积模块和一个残差可分离卷积模块,每个所述可分离卷积模块包含一个深度卷积和一个点卷积,每个所述残差可分离卷积模块包含三个可分离卷积;对于一个尺度j而言,通过如下公式得到输出:
7.如权利要求6所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:所述可分离卷积模块
8.如权利要求6所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:所述残差可分离卷积模块包含三个可分离卷积和一个相加操作,以提升所述训练网络模型的表达能力,其中一个所述可分离卷积用于提取特征的残差。
9.如权利要求6所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:所述相加操作是元素级别上的加操作。
10.一种基于卷积神经网络和频域增强的电力线缆检测装置,其特征在于,包括:
...【技术特征摘要】
1.一种基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,包括:
2.如权利要求1所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,所述高频子图像包含图像细节信息,并包括水平高频分量子图像、垂直高频分量子图像和对角高频分量子图像;
3.如权利要求2所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于,所述编码网络中小波变换的相关函数为:
4.如权利要求3所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:
5.如权利要求4所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:
6.如权利要求5所述的基于卷积神经网络和频域增强的电力线缆检测方法,其特征在于:每个所述编码网络都包含一个可分离卷积模块和一个残差可分离卷积模块,每个所述可分离卷积模块包含一个深度卷积...
【专利技术属性】
技术研发人员:范欣林,
申请(专利权)人:深圳联合飞机科技有限公司,
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。