[发明专利]一种基于R-DFPN算法的绝缘子倾斜定位与识别方法

权利要求书

1.一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，包括以下步骤：

步骤1：采用无人机航拍的方式获取绝缘子目标数据集，再经过人工标注绝缘子的倾斜位置，最后建立训练集与测试集。

步骤2：训练过程中，先由基础网络层进行前期特征提取，然后使用密集特征金字塔架构多尺度输出特征图至候选区域提取子网络。

步骤3：候选区域提取子网络包括旋转锚框机制、倾斜非极大值抑制以及多尺度的旋转感兴趣池化层，输出感兴趣的旋转候选区域至分类回归子网络。

步骤4：分类回归子网络对候选区域子网络提出的感兴趣旋转候选区域进行识别和定位，再由倾斜非极大值抑制输出最后的识别和定位结果。

2.根据权利要求1所述的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，所述步骤1中，标注绝缘子图片中的绝缘子位置使用旋转边界框的方式。使用(x，y，w，h，θ)五个参数唯一地确定任意一个旋转边界框，(x，y)表示的是边界框在图中的中心位置，(w，h)表示的是边界框的宽和高，(θ)表示的是旋转边界框绕水平轴(x轴)逆时针旋转遇到边界框的第一边缘的角度，角度的范围在[-90，0]之间。

3.根据权利要求1所述的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，所述步骤1中，绝缘子数据集是经过数据增强方式得到的，数据增强方式包括平移、仿射变换、畸变、模糊、旋转。

4.根据权利要求1所述的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，所述步骤2中，所述基础网络层是由卷积神经网络组成的。

所述密集特征金字塔的架构是由基础网络层的最后一个特征图激活输出作为输入。密集特征金字塔中自下而上的结构为{C₂，C₃，C₄，C₅}，密集特征金字塔中自上而下的结构为{P₂，P₃，P₄，P₅}。{P₂，P₃，P₄，P₅}是由{C₂，C₃，C₄，C₅}横向连接并经过密集连接得到的。同时{P₂，P₃，P₄，P₅}为候选区域子网络的多尺度输入，其具体定义如下：

P₅＝Conv_1×1(C₅) (1)

其中p_i是与C_i对应的特征融合图，Conv_k×k(·)表示卷积运算，k表示卷积核的大小。Upsample(·)表示最近邻上采样，表示的是串联。

5.根据权利要求1所述的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，所述步骤3中，所述旋转锚框机制使用比例、比率和角度这三个参数来生成锚框。

所述倾斜非极大值抑制中的倾斜交并比的计算具体为：使用基于三角剖分的方法计算旋转目标框之间的交并比；倾斜非极大值抑制用于滤除旋转锚框机制生成的包含无用信息的锚框。

所述多尺度的旋转感兴趣池化层添加了两个池化大小，三个大小不同的ROI Pooling用来捕捉更多的绝缘子特征；三个ROI Pooling得到的特征串联起来做下一步的检测。

6.根据权利要求1所述的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，其特征在于，所述步骤3中，所述候选区域提取子网络的分类损失函数为交叉熵损失函数，回归损失函数为SmoothL1损失函数。