一种基于卷积神经网络的电缆巡检图片目标检测方法与流程

1.本发明涉及电力线通信技术领域，尤其涉及一种基于卷积神经网络的电缆巡检图片目标检测方法。


背景技术：

2.电缆巡检一般分为设备巡检和通道巡检。设备巡检主要针对电缆主设备及附属设施进行外观变化的识别和电气参数的测量。通道巡检主要防止地下电缆通道上方地面的施工机械对电缆设备产生外力破坏。在通道的巡检图片中，如出现挖掘机类的机械设备，或施工围挡等物体，往往表示钻地施工可能会对附近的地下电缆通道造成严重破坏。所以在高压电缆的日常运行维护中，可以通过发现通道巡检图片中出现的危险源信息来及时对危险行为进行干预，防止外力破坏的产生。通过多起外力破坏事故的分析，发现对巡检图片中外力破坏危险源的人工漏检是导致外力破坏事故的重要因素，所以电缆巡检图片的人工检测方式需要智能手段来代替。
3.目前，大多数文献所提出的电缆巡检图片目标检测方法容易受到外部环境背景干扰的影响。因而需要寻找一种检测精度高、计检测速度快的方法，以获取运行高压电缆巡检状态。


技术实现要素：

4.本发明为了解决上述技术问题提出一种基于卷积神经网络的电缆巡检图片目标检测方法，本方法具体为：一种基于卷积神经网络的电缆巡检图片目标检测方法，包括以下步骤：
5.步骤一：获取巡检图片，建立目标检测的分类类别，所述分类类别包括挖掘机(digger)、安全帽(helmet)和施工围挡(fence)，并对所述分类类别进行基于yolo-tn和yolov3的模型构建；
6.步骤二：构建完成的模型包括输入层、隐含层、承接层、输出层，然后向所述模型输入包含所述分类类别的图片；
7.步骤三：将获取的所述分类类别的图片作为训练样本，采用卷积神经网络的初始权值和阈值，训练网络，确定最优的神经网络结构；
8.步骤四：将实时采集的图片输入到所述步骤三中训练好的卷积神经网络模型中，输出目标图形检测结果。
9.上述方案的进一步改进在于：所述卷积神经网络是由宽度、高度和深度构成的三维结构，进行图像识别和目标检测任务时表达式如下：
[0010][0011]
其中式中，d为通道数量，即卷积核数量，f为卷积核尺寸，为卷积核的第d层
通道第m行第n列权重，为第l层输出矩阵的第d层通道第i行第j列数值。
[0012]
上述方案的进一步改进在于：所述卷积神经网络的梯度包含权重值w
i，j
和偏置项wb两部分，在二维运算的情况下，有下式：
[0013]
input
l-1
＝f
conv
(w
l-1
，a
l-2
)
wb
；
[0014]
其中，inputl-1
表示第l-1层的加权输入，矩阵中每一点的数值是 l-1层的相对应的前一层l-2层m
×
n区域内的元素值分别与m
×
n卷积核中对应权重值相乘之后的数值之和再加上偏置项wb；
[0015]
所述l-1层经过激活函数的输出如下式：
[0016][0017]
则l层的输入为：
[0018]
input
l
＝f
conv
(w
l
，a
l-1
) wb；
[0019]
由于权重值共享，所有的权重值w
1，1
…wm，n
对均产生影响，所以可表示为下式：
[0020][0021][0022]
根据损失因子的定义：
[0023]
；
[0024]
进而得出：
[0025][0026]
其中，w
i，j
为卷积核第i行第j列权重，wb为偏置项权重，为第l层第i行第j列的损失因子，偏置项wb的梯度的求取与w
i，j
类似，由于：
[0027][0028]
所以
[0029][0030]
上述方案的进一步改进在于：在步骤二中所述的卷积神经网络的输入层有2 个神经元，输出层有1个神经元，隐含层有10个神经元，承接层有10个神经元。
[0031]
上述方案的进一步改进在于：步骤二中所述神经网络的各层神经元数目是通过网络训练确定的；通过训练隐含层不同神经元数目的卷积神经网络，选择计算性能最优的网络隐含层神经元个数。
[0032]
上述方案的进一步改进在于：步骤三中将yolov3与神经网络相结合，以模型输出误差最小为寻优对象，确定神经网络的初始权值和阈值，进而确定性能最优的卷积神经网络参数。
[0033]
本发明的有益效果是：本发明通过卷积神经网络检测电缆巡检图片目标，引入目标检测模型确定性能最优的神经网络结构与参数，可以有效检测电缆巡检图片目标，在外部环境背景干扰的影响，有助于实现电缆巡检图片目标的正确检测。
附图说明
[0034]
图1是本发明实施例的流程示意图；
[0035]
图2是本发明实施例的卷积神经网络模型的拓扑结果示意图。
具体实施方式
[0036]
实施例
[0037]
以下将结合附图，对本发明的技术方案进行详细说明。
[0038]
一种基于卷积神经网络的电缆巡检图片目标检测方法，如图1所示，包括以下步骤：
[0039]
步骤一：获取巡检图片，建立目标检测的分类类别，所述分类类别包括挖掘机(digger)、安全帽(helmet)和施工围挡(fence)，并对所述分类类别进行基于yolo-tn和yolov3的模型构建；
[0040]
步骤二：构建完成的模型包括输入层、隐含层、承接层、输出层，然后向所述模型输入包含所述分类类别的图片；
[0041]
步骤三：将获取的所述分类类别的图片作为训练样本，采用卷积神经网络的初始权值和阈值，训练网络，确定最优的神经网络结构；
[0042]
步骤四：将实时采集的图片输入到所述步骤三中训练好的卷积神经网络模型中，输出目标图形检测结果。
[0043]
所述卷积神经网络是由宽度、高度和深度构成的三维结构，进行图像识别和目标检测任务时表达式如下：
[0044][0045]
其中式中，d为通道数量，即卷积核数量，f为卷积核尺寸，为卷积核的第d层通道第m行第n列权重，为第l层输出矩阵的第d层通道第i行第j列数值。
[0046]
所述卷积神经网络的梯度包含权重值w
i，j
和偏置项wb两部分，在二维运算的情况下，有下式：
[0047]
input
l-1
＝f
conv
(w
l-1
，a
l-2
) wb；
[0048]
其中，input
l-1
表示第l-1层的加权输入，矩阵中每一点的数值是 l-1层的相对应的前一层l-2层m
×
n区域内的元素值分别与m
×
n卷积核中对应权重值相乘之后的数值之和再加上偏置项wb；
[0049]
所述l-1层经过激活函数的输出如下式：
[0050][0051]
则l层的输入为：
[0052]
input
l
＝f
conv(wl
，a
l-1
) wb；
[0053]
由于权重值共享，所有的权重值w
1，1
…wm，n
对均产生影响，所以可表示为下式：
[0054][0055]
根据损失因子的定义：
[0056]
；
[0057]
进而得出：
[0058][0059]
其中，w
i，j
为卷积核第i行第j列权重，wb为偏置项权重，为第l层第i行第j列的损失因子，偏置项wb的梯度的求取与w
i，j
类似，由于：
[0060][0061]
所以
[0062][0063]
在步骤二中所述的卷积神经网络的输入层有2个神经元，输出层有1个神经元，隐含层有10个神经元，承接层有10个神经元。
[0064]
步骤二中所述神经网络的各层神经元数目是通过网络训练确定的；通过训练隐含层不同神经元数目的卷积神经网络，选择计算性能最优的网络隐含层神经元个数。
[0065]
步骤三中将yolov3与神经网络相结合，以模型输出误差最小为寻优对象，确定神经网络的初始权值和阈值，进而确定性能最优的卷积神经网络参数。
[0066]
卷积神经网络模型包括原始图片集、结果图片集、结果图片处理模块和目标检测模块。原始图片集中的原始图片传入目标检测模块进行检测，检测的相关信息传输至结果图片处理模块，结果图片处理模块同时获取原始图片及其信息，添加图片位置等信息，并将处理结果返回结果图片。
[0067]
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的使用范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。