CN112084955A - 一种高压线检测识别方法、装置及电子设备 - Google Patents

一种高压线检测识别方法、装置及电子设备 Download PDF

Info

Publication number
CN112084955A
CN112084955A CN202010950685.1A CN202010950685A CN112084955A CN 112084955 A CN112084955 A CN 112084955A CN 202010950685 A CN202010950685 A CN 202010950685A CN 112084955 A CN112084955 A CN 112084955A
Authority
CN
China
Prior art keywords
voltage
voltage line
suspected
incident angle
angle distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010950685.1A
Other languages
English (en)
Other versions
CN112084955B (zh
Inventor
熊伟
罗旌胜
于超鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN202010950685.1A priority Critical patent/CN112084955B/zh
Publication of CN112084955A publication Critical patent/CN112084955A/zh
Application granted granted Critical
Publication of CN112084955B publication Critical patent/CN112084955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Measurement Of Current Or Voltage (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本公开实施例提供一种高压线检测识别方法、装置及电子设备，属于雷达技术领域。包括：对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；将全部目标检测点的极坐标转换为以雷达为原点的X‑Y平面直角坐标系内的平面坐标；基于霍夫变换，从X‑Y平面直角坐标系内的全部目标检测点中提取直线，将全部疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条疑似高压线的高压线类型。这样，以数据直接训练模型，避免传统特征提取方法的信息丢失，利用模型学习和自动提取疑似高压线特征，完成高压线的自动识别，识别正确率高、场景适应性强，有效克服了对高压线先验知识的依赖和传统特征提取方法信息丢失的弊端。

Description

一种高压线检测识别方法、装置及电子设备
技术领域
本公开涉及雷达技术领域，尤其涉及一种高压线检测识别方法、装置及电子设备。
背景技术
高压线/塔是直升机低空飞行途中面临的主要安全威胁之一，特别是在恶劣气象和低能见度环境下。据统计，因高压塔/线等因素造成飞机撞地事故占全部直升机飞行事故的60％以上。由于全天候、全天时的探测能力和较远距离、较为精确的地形/地物探测性能，毫米波雷达已成为直升机低空飞行规避障碍物的重要传感器。由于出色的特征提取与学习能力，卷积神经网络(CNN)已经在光学图像、合成孔径雷达图像和一维距离像目标识别等领域得到了应用，取得了较好的检测识别效果。
传统基于启发式连接和最小二乘拟合的高压线提取方法，依赖于高压塔/线点的正确检测，当高压塔/线点检测缺失或者目标检测虚警较多时，会出现高压线漏检或者高压线走向判断错误等情况。
发明内容
有鉴于此，本公开实施例提供一种高压线检测识别方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种高压线检测识别方法，所述方法包括：
对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
可选的，所述真实高压线为具有布拉格效应的真实高压线和不具有布拉格效应的真实高压线中的任一种。
可选的，所述提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布的步骤，包括：
提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和方位角分布；
根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布。
可选的，所述根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布的步骤，包括：
根据每条所述疑似高压线的走向角，计算每条所述疑似高压线的入射角；
根据每条所述疑似高压线的入射角，结合所述疑似高压线的方位角分布进行平移变换，得到所述疑似高压线的入射角分布。
可选的，所述将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络的步骤之前，所述方法还包括：
采用插值方法，将全部所述疑似高压线的能量分布和入射角分布均变换到同一尺度。
可选的，所述对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点的步骤之前，所述方法还包括：
获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建基础卷积神经网络；
将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
可选的，所述搭建基础卷积神经网络的步骤，包括：
搭建第一支路，其中，所述第一支路包括依次连接的三个卷积单元、两个全连接层和一个Soft Max层，其中，每个卷积单元均包括依次连接的两个卷积层、一个第一最大池化层和一个连接层；
搭建用于处理能量分布的第二支路和用于处理入射角分布的第三支路，其中，所述第二支路包括三个依次连接的第二最大池化层，所述第三支路包括三个依次连接索引池化层，每个卷积单元、第二最大池化层和索引池化层组成一个模块，每个模块内的所述第二最大池化层的输出连接索引池化层，索引池化层的输出通过开关连接卷积单元的连接层。
第二方面，本公开实施例提供了一种高压线检测识别装置，包括：
检测模块，用于对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
转换模块，用于将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
第一提取模块，用于基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
第二提取模块，用于提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
识别模块，用于将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
可选的，所述装置还包括：
获取模块，用于获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建模块，用于搭建基础卷积神经网络；
训练模块，用于将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；所述处理器用于执行第一方面中任一项所述的高压线检测识别方法。
上述本公开实施例提供的高压线检测识别方法、装置及电子设备，针对毫米波雷达的高压线识别问题，本发明提出了一种IA-CNN模型，发明了一种基于IA-CNN毫米波雷达高压线检测识别方法，以数据直接训练模型，避免了传统特征提取方法的信息丢失，利用模型学习和自动提取疑似高压线特征，完成高压线的自动识别，识别正确率高、场景适应性强，有效克服了对高压线先验知识的依赖和传统特征提取方法信息丢失的弊端。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种高压线识别检测方法的流程示意图；
图2至图8为本公开实施例提供的高压线识别检测方法所涉及的过程示意图；
图9为本公开实施例提供的高压线识别检测装置的模块框图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
参见图1，为本公开实施例提供的一种高压线检测识别方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
本实施例提供的高压线检测识别方法，针对直升机在恶劣气象和低能见度环境下对高压线的探测与规避需求，提出了一种基于IA-CNN毫米波雷达高压线检测识别方法，以提升直升机全天候、全天时低空飞行和安全避障能力。
典型高压线由高压塔、高压线和金属间隔棒构成。一个天线扫描周期毫米波雷达回波图如图2所示，其中天线方位扫描范围是-50°到50°，径向距离范围是300米到600米。
如图1至图3所示，获取天线扫描周期雷达回波图，进行恒虚警检测(ConstantFalse Alarm Rate，简称CFAR)，即可获取待识别的目标检测点。其中CFAR检测保护窗半窗长度为5，参考窗半窗长度为20，检测门限为80分贝(dB)。
S102，将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
根据目标检测点的径向距离、方位角和俯仰角，并不考虑高度信息，将目标检测点坐标转换为以雷达为原点的X-Y直角坐标系坐标。
S103，基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
基于霍夫Hough变换从目标检测点中提取直线，记为疑似高压线。
S104，提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
在上述步骤之后，提取每条疑似高压线在天线扫描周期雷达回波图对应的能量分布和方位角分布。例如，提取图4中高压线1和高压线3的能量分布Si和方位角分布Azi如图5所示。
可选的，上述提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布的步骤，可以包括：
提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和方位角分布；
根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布Ii。
可选的，所述根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布的步骤，包括：
根据每条所述疑似高压线的走向角，计算每条所述疑似高压线的入射角；
根据每条所述疑似高压线的入射角，结合所述疑似高压线的方位角分布进行平移变换，得到所述疑似高压线的入射角分布。
计算疑似高压线的入射角分布Ii，如图6所示，基于步骤2根据目标检测点的径向距离、方位角和俯仰角，计算疑似高压线角度，记为αi，则雷达入射角
Figure BDA0002676767870000071
为
Figure BDA0002676767870000072
进而，疑似高压线的入射角分布信息可由以下公式计算
Figure BDA0002676767870000073
S105，将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
可选的，所述真实高压线为具有布拉格效应的真实高压线和不具有布拉格效应的真实高压线中的任一种。
可选的，所述对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点的步骤之前，所述方法还包括：
获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建基础卷积神经网络；
将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
可选的，所述搭建基础卷积神经网络的步骤，包括：
搭建第一支路，其中，所述第一支路包括依次连接的三个卷积单元、两个全连接层和一个Soft Max层，其中，每个卷积单元均包括依次连接的两个卷积层、一个第一最大池化层和一个连接层；
搭建用于处理能量分布的第二支路和用于处理入射角分布的第三支路，其中，所述第二支路包括三个依次连接的第二最大池化层，所述第三支路包括三个依次连接索引池化层，每个卷积单元、第二最大池化层和索引池化层组成一个模块，每个模块内的所述第二最大池化层的输出连接索引池化层，索引池化层的输出通过开关连接卷积单元的连接层。
可选的，所述将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络的步骤之前，所述方法还包括：
采用插值方法，将全部所述疑似高压线的能量分布和入射角分布均变换到同一尺度。例如，采用插值方法，将每条疑似高压线的能量分布和入射角分布变换到512尺度下，图7是图5高压线1和高压线3尺度变换后的结果。
将尺度变换后的能量分布和入射角分布，输入到IA-CNN，通过网络提取特征，并进行分类。其中IA-CNN的网络结构图如图8所示，堆叠3个个模块(Block)，再经过2个全连接层和SoftMax层完成了疑似高压线的分类。
其中Block的设计如下：分三个支路，支路一，输入能量分布经过2个卷积层和1个最大池处理；支路二，输入能量分布直接最大池化；支路三，输入入射角分布，利用支路二的池化索引，对入射角进行对应位置数据的提取；将支路一与去路二池化后的数据进行串联，如图6虚线所示，连接虚线0,1,2,3分别代表着不同的串联连接开关，根据连接开关的组合情况，可以形成不同的IA-CNN模型。
根据IA-CNN输出每条疑似高压线类型编码，将高压线分类为具有Bragg效应的高压线、不具有Bragg效应的高压线和虚假高压线三种不同类型。
尺度变换后的能量分布和入射角分布，以及对应的高压线类型编码，一起输入IA-CNN训练模型，其中模块1卷积核尺寸是31×1，滤波器是32个，步长为1，模块2卷积核尺寸是15×1，滤波器是64个，步长为1，模块3卷积核尺寸是9×1，滤波器是64个，步长为1，最大池化层滤波器尺寸是2×1，步长为2，最后两个全连接层的输出维数分别为512和3。卷积层和全连接层的激活函数均为Relu函数。
本发明基于高压线空间上呈直线分布的特点，首先从毫米波雷达图像中采用Hough变换检测所有疑似高压线，提取其相应的能量分布和入射角分布作为样本，利用IA-CNN模型自动完成高压线的识别，避免了对高压塔/线点检测的过度依赖，不会出现高压线漏检和高压线走向判断错误的情况。
本发明提出了一种IA-CNN模型，将疑似高压线的能量分布和入射角分布作为样本，联同对应样本的标签一起输入IA-CNN模型，以数据直接训练模型，避免了传统特征提取方法的信息丢失，利用IA-CNN模型学习和自动提取疑似高压线特征，完成高压线的自动识别。本发明有效克服了对高压线先验知识的依赖，正确识别率高、场景适应性强。
参见图9，为本公开实施例提供了一种高压线检测识别装置90的结构示意图。如图9所示，所述装置90包括：
检测模块901，用于对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
转换模块902，用于将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
第一提取模块903，用于基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
第二提取模块904，用于提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
识别模块905，用于将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
可选的，所述装置还包括：
获取模块，用于获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建模块，用于搭建基础卷积神经网络；
训练模块，用于将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
此外，本公开实施例提供了一种电子设备，包括存储器和处理器；
所述处理器用于执行上述实施例中所述的高压线检测识别方法。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种高压线检测识别方法，其特征在于，所述方法包括：
对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
2.根据权利要求1所述的方法，其特征在于，所述真实高压线为具有布拉格效应的真实高压线和不具有布拉格效应的真实高压线中的任一种。
3.根据权利要求2所述的方法，其特征在于，所述提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布的步骤，包括：
提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和方位角分布；
根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布。
4.根据权利要求3所述的方法，其特征在于，所述根据每条所述疑似高压线对应的全部目标检测点的方位角分布，计算所述疑似高压线的入射角分布的步骤，包括：
根据每条所述疑似高压线的走向角，计算每条所述疑似高压线的入射角；
根据每条所述疑似高压线的入射角，结合所述疑似高压线的方位角分布进行平移变换，得到所述疑似高压线的入射角分布。
5.根据权利要求2所述的方法，其特征在于，所述将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络的步骤之前，所述方法还包括：
采用插值方法，将全部所述疑似高压线的能量分布和入射角分布均变换到同一尺度。
6.根据权利要求2至5中任一项所述的方法，其特征在于，所述对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点的步骤之前，所述方法还包括：
获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建基础卷积神经网络；
将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
7.根据权利要求6所述的方法，其特征在于，所述搭建基础卷积神经网络的步骤，包括：
搭建第一支路，其中，所述第一支路包括依次连接的三个卷积单元、两个全连接层和一个Soft Max层，其中，每个卷积单元均包括依次连接的两个卷积层、一个第一最大池化层和一个连接层；
搭建用于处理能量分布的第二支路和用于处理入射角分布的第三支路，其中，所述第二支路包括三个依次连接的第二最大池化层，所述第三支路包括三个依次连接索引池化层，每个卷积单元、第二最大池化层和索引池化层组成一个模块，每个模块内的所述第二最大池化层的输出连接索引池化层，索引池化层的输出通过开关连接卷积单元的连接层。
8.一种高压线检测识别装置，其特征在于，包括：
检测模块，用于对一个天线扫描周期雷达回波图进行恒虚警检测,获得目标检测点；
转换模块，用于将全部所述目标检测点的极坐标转换为以雷达为原点的X-Y平面直角坐标系内的平面坐标；
第一提取模块，用于基于霍夫变换，从所述X-Y平面直角坐标系内的全部目标检测点中提取直线，标记为疑似高压线；
第二提取模块，用于提取每条所述疑似高压线在所述天线扫描周期雷达回波图对应的能量分布和入射角分布；
识别模块，用于将全部所述疑似高压线的能量分布和入射角分布输入预先训练的高压线识别网络，获得每条所述疑似高压线的高压线类型，其中，所述高压线类型真实高压线和虚假高压线。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取预设数量的样本直线的训练数据，其中，每条样本直线的训练数据包括样本直线的能量分布和入射角分布以及样本直线的标签，其中，所述样本直线的标签为具有布拉格效应的真实高压线、不具有布拉格效应的真实高压线和虚假高压线中的任一种；
搭建模块，用于搭建基础卷积神经网络；
训练模块，用于将所述样本数据输入所述基础卷积神经网络，训练得到所述高压线识别网络。
10.一种电子设备，其特征在于，包括存储器和处理器；
所述处理器用于执行权利要求1至7中任一项所述的高压线检测识别方法。
CN202010950685.1A 2020-09-11 2020-09-11 一种高压线检测识别方法、装置及电子设备 Active CN112084955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010950685.1A CN112084955B (zh) 2020-09-11 2020-09-11 一种高压线检测识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010950685.1A CN112084955B (zh) 2020-09-11 2020-09-11 一种高压线检测识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112084955A true CN112084955A (zh) 2020-12-15
CN112084955B CN112084955B (zh) 2024-04-05

Family

ID=73737511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010950685.1A Active CN112084955B (zh) 2020-09-11 2020-09-11 一种高压线检测识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112084955B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379732A (zh) * 2021-07-07 2021-09-10 群周科技(上海)有限公司 一种基于机载激光雷达的线缆目标检测方法
CN114488056A (zh) * 2021-12-31 2022-05-13 南京航空航天大学 一种基于宽频Bragg特征的高压线确认方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0494027A1 (fr) * 1991-01-04 1992-07-08 Regie Nationale Des Usines Renault S.A. Dispositif de détection d'obstacles et de mesure de distance à l'aide d'un radar à faisceau laser
CN103149569A (zh) * 2013-02-25 2013-06-12 昆山南邮智能科技有限公司 基于小波变换的激光雷达高压线识别方法
CN106772352A (zh) * 2016-12-01 2017-05-31 中国人民解放军海军航空工程学院 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法
CN107507417A (zh) * 2017-08-03 2017-12-22 北京信息科技大学 一种基于微波雷达回波信号的智能车道划分方法及装置
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法
US20190383904A1 (en) * 2018-06-13 2019-12-19 Metawave Corporation Autoencoder assisted radar for target identification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0494027A1 (fr) * 1991-01-04 1992-07-08 Regie Nationale Des Usines Renault S.A. Dispositif de détection d'obstacles et de mesure de distance à l'aide d'un radar à faisceau laser
CN103149569A (zh) * 2013-02-25 2013-06-12 昆山南邮智能科技有限公司 基于小波变换的激光雷达高压线识别方法
CN106772352A (zh) * 2016-12-01 2017-05-31 中国人民解放军海军航空工程学院 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法
CN107507417A (zh) * 2017-08-03 2017-12-22 北京信息科技大学 一种基于微波雷达回波信号的智能车道划分方法及装置
US20190383904A1 (en) * 2018-06-13 2019-12-19 Metawave Corporation Autoencoder assisted radar for target identification
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIRCEA GRECU ET.AL: "Detection of Anomalous Propagation Echoes in Weather Radar Data Using Neural Networks", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 37, no. 1, pages 287 - 296, XP011021158 *
赵亚先 等: "基于回波特性的直升机载雷达目标探测与识别", 兵 器 装 备 工 程 学 报, vol. 37, no. 12, pages 48 - 49 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379732A (zh) * 2021-07-07 2021-09-10 群周科技(上海)有限公司 一种基于机载激光雷达的线缆目标检测方法
CN114488056A (zh) * 2021-12-31 2022-05-13 南京航空航天大学 一种基于宽频Bragg特征的高压线确认方法

Also Published As

Publication number Publication date
CN112084955B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN112084955B (zh) 一种高压线检测识别方法、装置及电子设备
CN113610044B (zh) 基于自注意力机制的4d毫米波三维目标检测方法及系统
CN115331190B (zh) 一种基于雷视融合的道路隐患识别方法及装置
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN110532918B (zh) 基于时间序列遥感影像的离岸风电场时空属性确定方法
CN104331588A (zh) 一种海面风场和海浪联合反演的装置
CN115937659A (zh) 基于Mask-RCNN的室内复杂环境下多目标检测方法
CN116958841B (zh) 基于图像识别的配电线路无人机巡检系统
CN115018285A (zh) 一种风暴潮与海浪精细化预警系统及预警方法
Bai et al. Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018)
CN114241310A (zh) 基于改进yolo模型的堤防管涌险情智能识别方法
CN116879900A (zh) 一种基于灰度处理的雷暴质心定位以及追踪预测方法
CN113269028A (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN112016641A (zh) 一种异物导致线路短路故障告警方法及装置
CN115877345A (zh) 一种风廓线雷达缺测数据的补齐方法和装置
CN116503862A (zh) 一种弹载/机载激光成像引信局部稀疏点云目标识别方法
CN114418968A (zh) 一种基于深度学习的输电线路小目标缺陷检测方法
CN109376623B (zh) 基于合成孔径雷达影像检测输电杆塔的方法
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及系统
CN113936166A (zh) 一种基于多普勒天气雷达数据的冰雹回波识别方法及系统
CN106597431A (zh) 基于Hough变换的地面静目标分类方法
CN117131783B (zh) 基于多模态学习的输电线路风险预测模型、方法和系统
CN117452368B (zh) 基于宽带成像雷达的sar载荷辐射信号检测方法及装置
CN117523420B (zh) 一种基于雷达产品数据的闪电落区识别方法及系统
CN117849708B (zh) 一种基于多传感器建图的超宽带定位方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant