一种基于SSD改进的配电房异物检测方法与流程

技术特征：
1.一种基于ssd改进的配电房异物检测方法，其特征在于，包括以下步骤：s1、采集配电房中摄像头拍摄的异物图像，建立图像数据集，并对数据集中图像进行预处理；s2、构建改进ssd模型，包括骨干网络和特征金字塔；s3、对建立的图像数据集，按比例划分为训练集以及测试集；s4、利用训练集对改进ssd模型进行训练；s5、利用训练好的模型对测试集进行检测，对检测结果进行指标评价。2.根据权利要求1所述的一种基于ssd改进的配电房异物检测方法，其特征在于，预处理具体包括：数据增强，包括像素内容变换和空间几何变换，将采集到的异物图像进行随机改变图像亮度，再进行随机扩展。3.根据权利要求1所述的一种基于ssd改进的配电房异物检测方法，其特征在于，改进ssd模型具体包括基础网络层、多尺度网络层、目标检测模块、识别模块以及非极大值抑制模块；基础网络层为基于vgg的基础网络；改进ssd模型具体为：改进基础网络层，其中conv4_3，conv7，conv8_2，conv9_2，conv10_2，conv11_2不同特征层的特征图数量统一为[6,6,6,6,6,6]；增加额外的特征提取层；利用分类网络增加不同层之间的特征图联系，减少重复框的出现，分类网络充分利用特征金字塔中各层之间的关联性，各个预测分支统一成单个分类网络，无需修改检测器的backbone主干网；在输入分类网络前增加特征图的通道数；在特征金字塔，改进特征融合方式，提升原有ssd算法的效果，使其充分利用特征，改进特征融合方式具体为：同时通过池化和逆卷积来融合所有高、低层特征图上的特征，各个检测分支提高了各种目标尺度的能力，最终在低层特征图上，融合了来自高层的高语义信息。4.根据权利要求3所述的一种基于ssd改进的配电房异物检测方法，其特征在于，特征金字塔各层特征图通道数统一为2816，各层通道数相同，因此各个分支后接的分类网络之间同享同一套权重参数；特征融合前，对特征图做一个归一化操作，采用批量归一化；由于网络结构同享先验框，所以在每个特征图上设置的先验框数量统一为6个；改进的ssd模型输出的先验框的个数为11640。5.根据权利要求1所述的一种基于ssd改进的配电房异物检测方法，其特征在于，步骤s3具体为：按照7∶3的比例将异物图像数据集划分为训练集和测试集。6.根据权利要求1所述的一种基于ssd改进的配电房异物检测方法，其特征在于，步骤s4包括：把训练集的图像输入改进ssd模型中进行训练，图像进入ssd网络，提取6个特征图，对每个特征图的每个像素设置先验框，编码，选取正负样本，计算损失函数，更新网络权重，在损失函数收敛后保存并输出最佳网络权重。
7.根据权利要求6所述的一种基于ssd改进的配电房异物检测方法，其特征在于，步骤s4中，先验框的设计具体为：提取6个特征图，其大小分别为(38,38)，(19,19)，(10,10)，(5,5)，(3,3)，(1,1)，每个特征图上设置的先验框数量统一为6；先验框的设置，包括尺度和长宽比两个方面；对于先验框的尺度，随着特征图大小降低，先验框尺度线性增加：其中，m指特征图个数，s
k
表示先验框大小相对于图片的比例，s
max
和s
min
表示比例的最小值与最大值，s
min
与s
max
设置为0.15与0.85；设置宽高比a
r
∈{1/3,1/2,1,2,3}，分别计算得到多阶段特征图对应先验框宽高：∈{1/3,1/2,1,2,3}，分别计算得到多阶段特征图对应先验框宽高：其中，为第k层特征图的第a个先验框的高与宽；获取预测框坐标并解码：给定预测框坐标为其中g
x
与g
y
为预测框中心点的x与y坐标，g
w
与g
h
为预测框的宽与高；给定先验框坐标为其中p
x
与p
y
为先验框中心点的x与y坐标，p
w
与p
h
为先验框的宽与高；改进ssd模型输出坐标编码信息为其中d
x
，d
y
分别为检测头输出的水平与竖直方向的平移系数，d
w
，d
h
为检测头输出的宽、高放缩系数；根据下列公式获取预测框坐标：根据下列公式获取预测框坐标：根据下列公式获取预测框坐标：根据下列公式获取预测框坐标：其中，为输出的最终待检测目标的解码坐标。8.根据权利要求7所述的一种基于ssd改进的配电房异物检测方法，其特征在于，正负样本的选取具体为：正样本选取：在训练过程中，先验框与真实框匹配原则：对于图像中的每个真实框，找到与其iou最大的先验框，该先验框与其匹配，保证每个真实框一定与某个先验框匹配；
对于剩余未匹配的先验框，若与某个真实框的iou大于0.5，则先验框与这个真实框匹配；负样本选取：挑选出置信度损失confidence_loss排在前面的一批负样本，负正样本数为3:1。9.根据权利要求6所述的一种基于ssd改进的配电房异物检测方法，其特征在于，改进ssd模型的损失函数依据预测部分的输出结果而设计，包括位置损失和置信度损失，总的目标损失函数为位置损失函数与置信度损失函数的加权和：其中，n是先验框的正样本数量；l
conf
(x,c)为置信度损失函数，α为总损失参数，权重系数α通过交叉验证设置为1，x＝{1,0}，代表某个预测框是否匹配真实框，l
loc
(x,l,g)为位置损失函数，l为预测框，c为标签分类，g为真实框；对于l
loc
(x,l,g)位置损失函数，其采用smooth l1 loss，定义如下：其中，pos为样本中的正例，cx、cy为预测框的中心点坐标，w为预测框的宽，h为预测框的高，为类别为k的第i个预测框与第j个真实框是否匹配，为预测框，为真实框，m为产生损失的特征图对应的序号；对于l
conf
(x,c)，其采用softmax loss，定义如下：其中，是一个指示器，当时，表示第i个anchor和第j个ground truth相匹配，且ground truth的类别为p，当时，就代表第i个anchor为负样本，没有匹配的真实框。10.根据权利要求1所述的一种基于ssd改进的配电房异物检测方法，其特征在于，步骤s5中，采用交并比，精确率、召回率以及平均精度评价训练好的模型；交并比：iou＝tp/(tp fn fp)；精确度：precision＝tp/(tp fp)＝tp/all detections；召回率：recatl＝tp/(tp fn)＝tp/all ground trusts；其中，tp为算法检测框预测正确的区域；fp为算法检测框预测错误的区域；fn为实际标注框正确但算法检测框未预测到的区域；all detections为算法检测检预测的区域；allground trusts为实际标注框的区域；平均精度：其中，r表示召回率，ρ(r)为召回率r的精度值，ρ
interp
(r
n 1
)为召回率大于等于r时，对应
精度值ρ(r)中的最大精度值。

技术总结
本发明公开了一种基于SSD改进的配电房异物检测方法，包括以下步骤：S1、采集配电房中摄像头拍摄的异物图像，建立图像数据集，并对数据集中图像进行预处理；S2、构建改进SSD模型，包括骨干网络和特征金字塔；S3、对建立的图像数据集，按比例划分为训练集以及测试集；S4、利用训练集对改进SSD模型进行训练；S5、利用训练好的模型对测试集进行检测，对检测结果进行指标评价。本发明能对误闯入配电房的异物进行识别，在异物目标较小、背景颜色灰暗较相近情况下，同样能有较好的检测效果。同样能有较好的检测效果。同样能有较好的检测效果。


技术研发人员：陈申宇 陈泽涛 邓泽航 马灿桂 王增煜 刘秦铭 张超 潘俊杰
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2022.11.08
技术公布日：2023/2/3