[发明专利]一种基于改进深度学习的刀闸状态识别方法

权利要求书

1.一种基于改进深度学习的刀闸状态识别方法，其特征在于，包括以下步骤：

获取训练模型；

通过训练模型对输入图像进行预测获得预测框的概率；

利用滑动窗口策略选择候选区域并获得标签；

对候选区域进行删选获取候选矩形框；

对候选矩形框进行直线拟合得到精确矩形框；

对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别；

所述获取训练模型具体为：采用基于空间加权的池化策略改进的卷积神经网络在图像集上获得训练模型：具体包括以下步骤：

利用摄像装置拍摄包含绝缘子、刀闸和不同背景的图像集作为训练集；

利用高斯核滤波器对图像进行平滑操作；

利用直方图均衡化来增强图像的对比度；

利用Canny算子来获得图像边缘，在图像边缘中选取最大面积的闭合区域作为目标区域；

利用高斯分布来随机初始化CNNs的权值，并在训练图像集上构建6层的CNNs来迭代训练网络模型；

所述利用滑动窗口策略选择候选区域并获得标签，具体包括：用滑动窗口策略来选择候选区域，设计多个不同尺度的滑动窗口来获取绝缘子和刀闸目标区域，当绝缘子和刀闸目标区域作为输入时获得标签。

2.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述基于空间加权的池化策略改进的卷积神经网络表述如下：

卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小，D表示特征映射的数量；空间加权掩码可以表示为K个H×W大小的池化通道，令P_k表示第k个空间掩码的池化特征，则其可以表示为：

其中x_i表示特征映射的第i个局部特征，是第k个空间掩码的对应系数；

可见P_k的维数是1×1×D，可以串联多个池化通道的池化特征可以形成整个池化层的图像表示，即:

P＝[P₁^T,P₂^T,L,P_k^T,L,P_K^T]^T；

P是池化层的输出，是输入图像的K×D特征表示。

3.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述图像集包含图像数量大于等于3000张。

4.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述通过训练模型对输入图像进行预测获得预测框的概率，具体包括：利用训练模型对输入图像进行预测，采用Softmax全连接函数作为分类机来获得预测框的概率。

5.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述滑动窗口的数量大于等于10个。

6.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述对候选区域进行删选获取候选矩形框；具体包括：其排除依据是去除具有较小IoU-intersection of union值的疑似目标区域，其中IoU为算法检测区域DR-DetectionRegion与真实区域GT-Ground Truth之间重合率：

7.根据权利要求1所述的一种基于改进深度学习的刀闸状态识别方法，其特征在于，所述对精确矩形框内的刀闸和绝缘子状态进行判断，完成刀闸状态的识别，具体为：如果一个刀闸区域与两个绝缘子区域连通，则认为该刀闸处于闭合状态，否则是处于断开状态。