基于Faster R-CNN的电力线异物检测方法

1. 基于Faster R-CNN的电力线异物检测方法，其特征在于：包括以下步骤：步骤1、对巡检图像进行图像预处理，包括图像灰度化、图像灰度均衡化、对图像进行高斯滤波，去除在图像采集时出现的高斯噪声；步骤2、对预处理后的图像利用Sobel算子进行边缘提取、然后对提取的边缘二值图像进行膨胀填充处理或腐蚀处理，利用Hough变换进行直线检测；步骤3、设置不同的学习率，将标记好的图片放入Faster R-CNN网络进行训练，得到Faster R-CNN网络的电力线异物检测模型；包括以下步骤1）、将航拍的图像输入Faster R-CNN网络；2）、计算Faster R-CNN网络的实际输出，得到目标预测框的信息；3）、计算目标预测框与目标真实框之间的数值差异；4）、若两者差异超过阈值则调整Faster R-CNN网络参数设置；5）、训练完成，获得电力线异物检测信息；步骤4、比较不同学习率得到的训练模型的各项指标，选择合适的学习率；步骤5、将待检测的航拍图像输入训练好的检测模型，Faster R-CNN网络通过计算返回风筝异物位置方框，完成诊断；实现步骤如下：RPN 网络中，原图中相应的映射区域与feature map中的每一个点对应，同时在原图中，以该区域的中心为锚点anchor，分别取三种尺寸 、 和 和三种长宽比例1：1、1：2、2：1的9种区域作为锚点框，共有W X H X 9的锚点框在Faster R-CNN中，其中W、H分别对应着feature map中的长和宽；在feature map中的每一个锚点anchor均为 维，将每个锚点anchor输入到RPN网络中，分别得到2k和4k两组数据；其中，k取9，代表每个锚点anchor框数目；2代表锚点anchor框属于前景和背景的两个数据，用来粗分类目标；4代表四个参数坐标回归值，用于粗定位Proposal框；对于每一个锚点anchor，均输出一个长度为2k+4k的向量，向量表示该锚点anchor对应的k个候选区域是前景还是后景的判断并能够获得位置的信息；RPB网络获得的结果经过ROIPooling层之后，在feature map上获得Proposal框所对应的特征图，最后再将结果带入到之后的网络之中，进行目标的类别判定和所在位置的细致回归。