[发明专利]基于图卷积神经网络的单目深度估计方法

说明书

本发明公开了基于图卷积神经网络的单目深度估计方法，涉及电力设备缺陷检测技术领域；其包括如下步骤，S1下采样操作，对电力设备的图像的深度图从粗到细进行下采样，获得用于重建图的深度图；S2加噪声，基于S1步骤形成的用于重建图的深度图添加高斯噪声；S3生成拓扑图，基于S2步骤形成的添加高斯噪声后的深度图，根据深度间隔阈值θ生成相应稀疏程度的拓扑图；S4深度拓扑图过滤，基于S3步骤形成的拓扑图进行过滤，获得过滤后每一尺度深度的拓扑图；其通过S1下采样操作、S2加噪声、S3生成拓扑图和S4深度拓扑图过滤等，实现了电力设备缺陷图像分析效率较高。

技术领域

本发明涉及电力设备缺陷检测技术领域，尤其涉及一种基于图卷积神经网络的单目深度估计方法。

背景技术

在图像处理领域，深度学习网络在对象分类和检测方面取得了巨大的成功。主要原因是深度学习模型提取的特征优于人工特征。在单目深度估计问题中，深度学习网络相对于传统的图像算法也具有很大的优势。由于缺少视差数据，传统算法无法直接推断深度信息，因此这种任务可以看作是不适定的问题。目前的主要方法旨在从图像中找到深度线索，并基于图像特征估计深度，因此，深度估计的准确性很大程度上取决于图像特征的质量。

先前现有的研究建立了一个基于单目相机估计深度的框架。它由一个编码器网络，一个解码器网络和一个完善的网络组成。在此框架中，一个图像作为输入将通过编码网络投影到稀疏特征空间中。那种稀疏的特征代表了图像的深度特征。解码器网络通过上采样层将稀疏的深度特征投影到密集深度空间中。最近现有的研究表明，基于拓扑图机制的微妙损失函数可以有效地改善训练效果。

大多数深度估计算法都使用CNN提取特征信息，但是它们始终忽略深度信息的特征。因为深度图的分布与RGB图像不一致。例如，深度图中的每个像素值不仅与相邻像素值有关，而且与相同深度值的其他像素有关。CNN将受到卷积核感受域的限制。为了解决这个问题，现有技术提出了扩展卷积层，它扩展了卷积核的尺度，并用零填充了未占用的区域，该层的目的是用相同大小的参数扩展卷积核的感受野，与池化操作相比，它进一步减少了深层网络中的信息丢失。这样，模型可以在扩大感受野和保持图像大小之间保持平衡。改善感受野的另一种方法是引入注意力机制。现有技术提出了一个基于注意力的CRF模型。现有技术提出了一种针对不同场景的通道注意机制。通过注意力机制，可以增强模型对局部特征的学习能力。

现有技术问题及思考：

如何解决电力设备缺陷图像分析效率较低的技术问题。

发明内容

本发明所要解决的技术问题是提供一种基于图卷积神经网络的单目深度估计方法，其通过S1下采样操作、S2加噪声、S3生成拓扑图和S4深度拓扑图过滤等，实现了电力设备缺陷图像分析效率较高。

为解决上述技术问题，本发明所采取的技术方案是：一种基于图卷积神经网络的单目深度估计方法包括如下步骤，S1下采样操作，对电力设备的图像的深度图从粗到细进行下采样，获得用于重建图的深度图；S2加噪声，基于S1步骤形成的用于重建图的深度图添加高斯噪声；S3生成拓扑图，基于S2步骤形成的添加高斯噪声后的深度图，根据深度间隔阈值θ生成相应稀疏程度的拓扑图；S4深度拓扑图过滤，基于S3步骤形成的拓扑图进行过滤，获得过滤后每一尺度深度的拓扑图。

进一步的技术方案在于：在S1步骤中，通过最大池、随机池和均值池向下采样操作。

进一步的技术方案在于：在S1步骤中，深度图分为形状相同的块，该块作为节点，其边缘信息由深度值和块的位置组成。

进一步的技术方案在于：在S1步骤中，操作为Pooling(·)。

进一步的技术方案在于：在S2步骤中，在添加高斯噪声时，根据需要约束深度值上限。

进一步的技术方案在于：在S3步骤中，通过Interval(·)计算深度间隔阈值θ。