一种入侵目标检测模型及其在输电线路巡检中的检测方法技术

一种入侵目标检测模型及其在输电线路巡检中的检测方法，属于深度学习下的目标检测领域。包括三个模块：骨干网络、特征金字塔和级联区域建议网络；骨干网络采用多层的MobileNetV2实现，对输入图像提取出特征，得到多层的特征图；特征通过特征金字塔进行特征融合后输入到级联区域建议网络，特征融合是将所述多层的MobileNetV2中高层的特征图经过上采样后逐元素相加融合到低一层的特征图上得到；级联区域建议网络包含一个区域建议网络和N个级联的检测头，每个检测头即为一级，区域建议网络依据融合后的特征生成可能为入侵目标的若干候选框，再从第一级开始通过逐级提升IoU阈值的方式精细化，最后由第N个检测头输出入侵目标检测分类和边框回归的结果。

【技术实现步骤摘要】

本专利技术属于深度学习下的目标检测，具体涉及在输电线路场景下检测并框出塔吊、起重机、打桩机、工程卡车和挖掘机等入侵目标的一种检测模型及检测方法。

技术介绍

1、随着国家电网的不断发展，输电杆、输电线等输电设施的数量日益增加，并且相互之间的联系日益紧密。一旦某处设施出现问题，会导致该处附近大面积停电，进而造成严重的经济损失。因此，需要实时监测输电线路的状态，保障输电线路安全、平稳地运行。然而，输电线路常常被挖掘机、打桩机等施工设备和工程卡车等运输设备入侵，导致输电线折断或者输电杆倒塌。此类入侵事故不仅造成经济上的重大损失，还会引发大量触电事故，危及行人和电网工作人员的生命安全。因此，研究面向输电线路的入侵目标检测是非常有必要的，它不仅是电力网络日常巡检的基础组成部分，还可以辅助后续针对入侵目标是否接近输电线路的预警工作。目前，针对入侵目标的检测主要是通过人工进行定期巡检，这种方式不适应输电设施日渐增多的现实，并且效率低、实时性差。

2、针对上述问题，一些研究提出使用深度学习相关的方法对输电线路附近的入侵目标进行检测。基于深度学习的目标检测方法通常本文档来自技高网...

【技术保护点】

1.一种入侵目标检测模型，其特征在于，所述入侵目标检测模型包括三个模块：骨干网络、特征金字塔和级联区域建议网络；所述骨干网络采用多层的MobileNetV2实现，对输入图像提取出特征，得到多层的特征图；所述特征通过所述特征金字塔进行特征融合后输入到所述级联区域建议网络，所述特征融合是将所述多层的MobileNetV2中高层的特征图经过上采样后逐元素相加融合到低一层的特征图上得到；所述级联区域建议网络包含一个区域建议网络和N个级联的检测头，每个检测头即为一级，所述区域建议网络依据融合后的特征生成可能为入侵目标的若干候选框，再从第一级开始通过逐级提升IoU阈值的方式精细化，最后由第N个检测头...

【技术特征摘要】

1.一种入侵目标检测模型，其特征在于，所述入侵目标检测模型包括三个模块：骨干网络、特征金字塔和级联区域建议网络；所述骨干网络采用多层的mobilenetv2实现，对输入图像提取出特征，得到多层的特征图；所述特征通过所述特征金字塔进行特征融合后输入到所述级联区域建议网络，所述特征融合是将所述多层的mobilenetv2中高层的特征图经过上采样后逐元素相加融合到低一层的特征图上得到；所述级联区域建议网络包含一个区域建议网络和n个级联的检测头，每个检测头即为一级，所述区域建议网络依据融合后的特征生成可能为入侵目标的若干候选框，再从第一级开始通过逐级提升iou阈值的方式精细化，最后由第n个检测头输出入侵目标检测分类和边框回归的结果。

2.如权利要求1所述的入侵目标检测模型，其特征在于，所述mobilenetv2有9层，从低层到高层分别为conv1、layer-i和conv2，i＝1,2,..,7，其中，conv1和conv2是带批归一化和relu6激活函数的3*3卷积层，layer-i由倒残差块组成，所述特征是layer-2、layer-3、layer-5和conv2层得到的特征图。

3.如权利要求2所述的入侵目标检测模型，其特征在于，所述倒残差块先对输入进行1*1卷积提升通道数，然后进行3*3分组卷积，其中分组卷积的分组数为当前的通道数，最后再进行1*1卷积降低通道数。

4.如权利要求2所述的入侵目标检测模型，其特征在于，所述mobilenetv2有两个，二者结构相同、参数不共享，其中一个为辅助骨干，另一个为输出骨干，对于所述输出骨干的layer2及以上的每层，将辅助骨干中不低于layer2层的每层的特征与输出骨干的...

【专利技术属性】
技术研发人员：张海军，欧阳超，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：