CN113139617B - 一种输电线路自主定位方法、装置及终端设备 - Google Patents

一种输电线路自主定位方法、装置及终端设备 Download PDF

Info

Publication number
CN113139617B
CN113139617B CN202110507275.4A CN202110507275A CN113139617B CN 113139617 B CN113139617 B CN 113139617B CN 202110507275 A CN202110507275 A CN 202110507275A CN 113139617 B CN113139617 B CN 113139617B
Authority
CN
China
Prior art keywords
sample set
segmentation
transmission line
training sample
power transmission
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.)
Active
Application number
CN202110507275.4A
Other languages
English (en)
Other versions
CN113139617A (zh
Inventor
杨磊
刘艳红
霍本岩
李方圆
吴振龙
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110507275.4A priority Critical patent/CN113139617B/zh
Publication of CN113139617A publication Critical patent/CN113139617A/zh
Application granted granted Critical
Publication of CN113139617B publication Critical patent/CN113139617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种输电线路自主定位方法、装置及终端设备，获取训练样本集，对训练样本集进行标注，得到标注数据，对U型分割网络进行训练，得到语义分割模型，将待定位输电线路航拍图像输入至语义分割模型中进行输电线路定位。U型分割网络中的分割编码器和分割解码器之间使用长连接，可以增强网络的上下文语义信息，提升网络对微小特征的分割能力，分割编码器中引入双线性插值算法，对低维特征图和高维特征图的融合，保证特征图维度和高维特征维度的一致性，利用稠密卷积模块，实现多尺度特征融合，可以避免多次卷积和池化运算导致的信息丢失，能够提取具有各尺寸目标的特征，引入全局注意力机制模块，提高分割网络对输电线路的检测能力。

Description

一种输电线路自主定位方法、装置及终端设备
技术领域
本发明涉及一种输电线路自主定位方法、装置及终端设备。
背景技术
传统的输电线路人力巡检方式缺乏一定的效率和安全性，已经逐步地被无人机巡检所替代，输电线路的自主检测是无人机自主巡检的基础，可以很好地服务于无人机的运动规划和决策。然而，由于输电线路图像的背景往往比较复杂，且图像分割中输电线路和背景环境又面临着类别极度不均衡的问题，因此，目前的输电线路定位方式的准确性较低。
发明内容
本发明提供一种输电线路自主定位方法、装置及终端设备，用于解决现有的输电线路定位方式的准确性较低的技术问题。
一种输电线路自主定位方法，包括：
获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像；
对所述训练样本集进行标注，得到标注数据；
将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块；
将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位。
在一个具体实施方式中，所述全局注意力机制模块首先通过两次全局平均池化、两个全连接层和Sigmoid函数，得到每一个通道的权重，然后对原始特征图的每个元素乘以对应两个通道的权重的和，得到新的特征图，作为对应分割解码器的输入。
在一个具体实施方式中，通过双线性插值算法对不同尺度的特征图进行降维，保证特征图维度和高维特征维度的一致性，并且，将来自不同网络层的特征图串联在一起，实现特征拼接，最后，通过卷积运算，作为稠密卷积模块的输入。
在一个具体实施方式中，所述对所述训练样本集进行标注，得到标注数据，包括：
通过Labelme工具，对所述训练样本集进行标注，得到json文件；
对所述json文件进行二值化，得到二值化标注数据。
一种输电线路自主定位装置，包括：
训练样本集获取模块，用于获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像；
标注模块，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块；
定位模块，用于将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述输电线路自主定位方法的步骤。
本发明的有益效果为：将训练样本集输入至U型分割网络中的分割编码器中，分割编码器通过多层卷积层和池化层进行输电线路的特征提取，分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与训练样本集相同大小的语义分割图，U型分割网络中的分割编码器和分割解码器之间使用长连接，可以增强网络的上下文语义信息，提升网络对微小特征的分割能力，分割编码器中引入双线性插值算法和稠密卷积模块，引入双线性插值运算，对不同尺度的特征图进行降维，即对低维特征图和高维特征图的融合，保证特征图维度和高维特征维度的一致性，利用稠密卷积模块，将大卷积核分解为多个小卷积核，形成四个级联分支，提供不同的感受野，来捕获更广泛和更深层的语义特征，实现多尺度特征融合，可以避免多次卷积和池化运算导致的信息丢失，能够提取具有各尺寸目标的特征，同时，它可以减少网络的参数，加速网络的收敛速度，提高分割网络的非线性表征能力。U型分割网络中引入全局注意力机制模块，使图像分割网络更好地聚焦于输电线路区域的特征表达，产生更具分辨性的图形特征，降低复杂背景图像的干扰，从而提高了分割网络对输电线路的检测能力。将注意力机制引入到分割网络的特征通道上，它可以自动获取每个特征通道的重要程度，并且利用得到的重要程度来提升特征并抑制对当前任务不重要的图像特征。因此，本发明提供的输电线路自主定位方法能够提升输电线路定位的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本申请实施例一提供的输电线路自主定位方法的整体流程示意图；
图2是U型分割网络的模型结构示意图；
图3是稠密卷积模块的结构示意图；
图4是全局注意力模块的结构示意图；
图5是本申请实施例二提供的输电线路自主定位装置的整体结构示意图；
图6是本申请实施例三提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施方式来进行说明。
参见图1，是本申请实施例一提供的输电线路自主定位方法的一种实现过程的流程图，为了便于说明，仅示出了与本申请实施例相关的部分。
步骤S101：获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像：
获取训练样本集，训练样本集为未标注的初始样本集，训练样本集包括至少两个输电线路航拍样本图像，输电线路航拍样本图像的具体个数由实际需要进行设置，个数越多，训练得到的网络模型越准确。
本实施例中，训练样本集中的各输电线路航拍样本图像均是由无人机对输电线路拍摄得到。而且，除了获取训练样本集之外，还可以获取验证样本集和测试样本集，其中，验证样本集用于验证训练得到的网络性能，并可通过交叉验证的方式进行网络调参，测试样本集用测测试训练得到的网络模型的性能。其中，验证样本集和测试样本集也包括至少两个输电线路航拍样本图像。或者，从训练样本集中分出一部分样本图像作为分为验证样本集和测试样本集。
为了保证各样本图像满足训练要求，本实施例中，获取训练样本集之后，还可以对训练样本集进行预处理，通过图像预处理之后，使得训练样本集中的输电线路航拍样本图像能够很好地突出输电线路特征，且样本图像尺寸符合分割网络要求。
图像预处理过程由实际需要进行设置，本实施例给出一种具体的预处理过程，具体如下：对训练样本集中的各输电线路航拍样本图像依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换。图像大小转换是指将各输电线路航拍样本图像的大小转化为统一规格，用于网络训练，比如将各样本图像的大小转化为640*320大小。
步骤S102：对所述训练样本集进行标注，得到标注数据：
为了更好地实现航拍图像中输电线路的准确检测，对训练样本集的各输电线路航拍样本图像进行精确的标注，完成数据集的制作，标注数据为对训练样本集中的各输电线路航拍样本图像中的输电线路进行标注而得到的标注结果。本实施例中，通过Labelme工具，对训练样本集进行标注，得到json文件，然后，对json文件进行二值化，得到二值化标注数据。
步骤S103：将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块：
本实施例通过U型分割网络进行输电线路定位，U型分割网络包括分割编码器和分割解码器，如图2所示。其中，分割编码器包括多层卷积层和池化层，分割解码器包括多层卷积层和上采样层。而且，分割编码器和分割解码器之间使用长连接，增强网络的上下文语义信息，提升网络对微小特征的分割能力。
分割编码器中引入双线性插值算法和稠密卷积模块。其中，为了减少由于多次卷积和池化运算导致的细节信息的损失，通过双线性插值，实现低维特征图和高维特征图的融合，对不同尺度的特征图进行降维，保证特征图维度和高维特征维度的一致性，在此基础上，将来自不同网络层的特征图串联在一起，实现特征拼接，最后，通过卷积运算，作为稠密卷积模块的输入，这种机制可以避免多次卷积和池化运算导致的信息丢失。稠密卷积模块的结构如图3所示，利用分解卷积的思想，将大卷积核分解为多个小卷积核，形成四个级联分支，提供不同的感受野，来捕获更广泛和更深层的语义特征。最后，通过特征拼接，实现多尺度特征融合。这种机制能够提取具有各尺寸目标的特征，同时，它可以减少网络的参数，加速网络的收敛速度，提高分割网络的非线性表征能力。
U型分割网络中引入全局注意力机制模块，如图4所示，全局注意力机制模块首先通过两次全局平均池化、两个全连接层和Sigmoid函数，得到每一个通道的权重。最后，对原始特征图的每个元素乘以对应两个通道的权重的和，得到新的特征图，作为对应解码器模块网络层的输入。通过引入全局注意力机制模块，使图像分割网络更好地聚焦于输电线路区域的特征表达，产生更具分辨性的图形特征，降低复杂背景图像的干扰，从而提高了分割网络对输电线路的检测能力。将注意力机制引入到分割网络的特征通道上，它可以自动获取每个特征通道的重要程度，并且利用得到的重要程度来提升特征并抑制对当前任务不重要的图像特征。
得到训练样本集和对应的标注数据之后，将训练样本集输入至U型分割网络中的分割编码器中，分割编码器通过多层卷积层和池化层进行输电线路的特征提取，分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，恢复图像尺寸，输出与训练样本集相同大小的语义分割图。
将得到的语义分割图与标注数据通过交叉熵损失函数进行运算(即多次迭代训练)，优化语义分割模型中的参数，使训练结果逐渐靠近真实情况(即逐渐靠近标注数据)，网络训练完成后，保存网络参数。
该语义分割模型在轻量级网络的前提下，增加了网络上下文信息，提高了分割能力。
步骤S104：将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位：
语义分割模型训练得到之后，将待定位输电线路航拍图像输入至训练好的语义分割模型中，通过语义分割模型对待定位输电线路航拍图像进行分割，得到待定位输电线路航拍图像中的输电线路图像，实现输电线路自主定位。
对应于上文中的输电线路自主定位方法实施例中所述的输电线路自主定位方法，图5示出了本申请实施例二提供的输电线路自主定位装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，输电线路自主定位装置200包括：
训练样本集获取模块201，用于获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像；
标注模块202，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块203，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块；
定位模块204，用于将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位。
在一个具体实施方式中，所述全局注意力机制模块首先通过两次全局平均池化、两个全连接层和Sigmoid函数，得到每一个通道的权重，然后对原始特征图的每个元素乘以对应两个通道的权重的和，得到新的特征图，作为对应分割解码器的输入。
在一个具体实施方式中，通过双线性插值算法对不同尺度的特征图进行降维，保证特征图维度和高维特征维度的一致性，并且，将来自不同网络层的特征图串联在一起，实现特征拼接，最后，通过卷积运算，作为稠密卷积模块的输入。
在一个具体实施方式中，标注模块202具体用于：
通过Labelme工具，对所述训练样本集进行标注，得到json文件；
对所述json文件进行二值化，得到二值化标注数据。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请输电线路自主定位方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见输电线路自主定位方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述输电线路自主定位装置200的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述中各功能模块的具体工作过程，可以参考前述输电线路自主定位方法实施例中的对应过程，在此不再赘述。
图6是本申请实施例三提供的终端设备的结构示意图。如图6所示，终端设备300包括：处理器302、存储器301以及存储在存储器301中并可在处理器302上运行的计算机程序303。处理器302的个数是至少一个，图6以一个为例。处理器302执行计算机程序303时实现上述输电线路自主定位方法的实现步骤，即图1所示的步骤。
终端设备300的具体实现过程可以参见上文中的输电线路自主定位方法实施例。
示例性的，计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器301中，并由处理器302执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在终端设备300中的执行过程。
终端设备300可以是桌上型计算机、笔记本、掌上电脑、主控等计算设备，也可以是手机等移动终端。终端设备300可包括，但不仅限于，处理器以及存储器。本领域技术人员可以理解，图6仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备300还可以包括输入输出设备、网络接入设备、总线等。
处理器302可以是CPU(Central Processing Unit，中央处理单元)，还可以是其他通用处理器、DSP(Digital Signal Processor，数字信号处理器)、ASIC(ApplicationSpecific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现成可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器301可以是终端设备300的内部存储单元，例如硬盘或内存。存储器301也可以是终端设备300的外部存储设备，例如终端设备300上配备的插接式硬盘、SMC(SmartMedia Card，智能存储卡)、SD卡(Secure Digital，安全数字卡)、Flash Card(闪存卡)等。进一步地，存储器301还可以既包括终端设备300的内部存储单元也包括外部存储设备。存储器301用于存储操作系统、应用程序、引导装载程序、数据以及其他程序等，例如所述计算机程序303的程序代码等。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上文中的输电线路自主定位方法实施例中的步骤。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述输电线路自主定位方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述计算机程序303可存储于一计算机可读存储介质中，该计算机程序303在被处理器302执行时，可实现上述输电线路自主定位方法实施例的步骤。其中，所述计算机程序303包括计算机程序代码，所述计算机程序303代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种输电线路自主定位方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像；
对所述训练样本集进行标注，得到标注数据；
将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块；
将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位；
获取训练样本集之后，还包括对训练样本集进行预处理，所述预处理具体包括：对训练样本集中的各输电线路航拍样本图像依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换；
所述稠密卷积模块利用分解卷积的思想，将大卷积核分解为多个小卷积核，形成四个级联分支，提供不同的感受野，来捕获更广泛和更深层的语义特征；
通过双线性插值算法对不同尺度的特征图进行降维，保证特征图维度和高维特征维度的一致性，并且，将来自不同网络层的特征图串联在一起，实现特征拼接，最后，通过卷积运算，作为稠密卷积模块的输入。
2.根据权利要求1所述的输电线路自主定位方法，其特征在于，所述全局注意力机制模块首先通过两次全局平均池化、两个全连接层和Sigmoid函数，得到每一个通道的权重，然后对原始特征图的每个元素乘以对应两个通道的权重的和，得到新的特征图，作为对应分割解码器的输入。
3.根据权利要求1所述的输电线路自主定位方法，其特征在于，所述对所述训练样本集进行标注，得到标注数据，包括：
通过Labelme工具，对所述训练样本集进行标注，得到json文件；
对所述json文件进行二值化，得到二值化标注数据。
4.一种输电线路自主定位装置，其特征在于，包括：
训练样本集获取模块，用于获取训练样本集，所述训练样本集包括至少两个输电线路航拍样本图像；
标注模块，用于对所述训练样本集进行标注，得到标注数据；
网络训练模块，用于将所述训练样本集输入至U型分割网络中的分割编码器中，所述分割编码器通过多层卷积层和池化层进行输电线路的特征提取，所述分割编码器输出给U型分割网络中的分割解码器中通过卷积层和上采样层进行上采样，输出与所述训练样本集相同大小的语义分割图；将所述语义分割图与所述标注数据通过交叉熵损失函数进行运算，优化语义分割模型中的参数；其中，所述U型分割网络中的分割编码器和分割解码器之间使用长连接，所述分割编码器中引入双线性插值算法和稠密卷积模块，所述U型分割网络中引入全局注意力机制模块；
定位模块，用于将待定位输电线路航拍图像输入至训练好的语义分割模型中进行输电线路定位；
获取训练样本集之后，还包括对训练样本集进行预处理，所述预处理具体包括：对训练样本集中的各输电线路航拍样本图像依次进行线性变换、Gamma变换、梯度直方图均衡化处理和图像大小转换；
所述稠密卷积模块利用分解卷积的思想，将大卷积核分解为多个小卷积核，形成四个级联分支，提供不同的感受野，来捕获更广泛和更深层的语义特征；
通过双线性插值算法对不同尺度的特征图进行降维，保证特征图维度和高维特征维度的一致性，并且，将来自不同网络层的特征图串联在一起，实现特征拼接，最后，通过卷积运算，作为稠密卷积模块的输入。
5.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的输电线路自主定位方法的步骤。
CN202110507275.4A 2021-05-10 2021-05-10 一种输电线路自主定位方法、装置及终端设备 Active CN113139617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110507275.4A CN113139617B (zh) 2021-05-10 2021-05-10 一种输电线路自主定位方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110507275.4A CN113139617B (zh) 2021-05-10 2021-05-10 一种输电线路自主定位方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN113139617A CN113139617A (zh) 2021-07-20
CN113139617B true CN113139617B (zh) 2023-04-07

Family

ID=76818043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110507275.4A Active CN113139617B (zh) 2021-05-10 2021-05-10 一种输电线路自主定位方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113139617B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117789153B (zh) * 2024-02-26 2024-05-03 浙江驿公里智能科技有限公司 基于计算机视觉的汽车油箱外盖定位系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749578A (zh) * 2019-10-29 2021-05-04 中科星图股份有限公司 一种基于深度卷积神经网络的遥感图像自动道路提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060313B (zh) * 2019-04-19 2023-12-19 上海联影医疗科技股份有限公司 一种图像伪影校正方法和系统
CN110599452B (zh) * 2019-08-07 2022-02-22 全球能源互联网研究院有限公司 锈迹检测系统、方法、计算机设备及可读存储介质
CN110689544A (zh) * 2019-09-06 2020-01-14 哈尔滨工程大学 一种遥感图像细弱目标分割方法
CN111292330A (zh) * 2020-02-07 2020-06-16 北京工业大学 基于编解码器的图像语义分割方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749578A (zh) * 2019-10-29 2021-05-04 中科星图股份有限公司 一种基于深度卷积神经网络的遥感图像自动道路提取方法

Also Published As

Publication number Publication date
CN113139617A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN110020620B (zh) 一种大姿态下的人脸识别方法、装置及设备
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN110598714B (zh) 一种软骨图像分割方法、装置、可读存储介质及终端设备
CN111414953B (zh) 点云分类方法和装置
CN111080660A (zh) 一种图像分割方法、装置、终端设备及存储介质
CN111932577B (zh) 文本检测方法、电子设备及计算机可读介质
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN112967272A (zh) 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN111028279A (zh) 点云数据处理方法及装置、电子设备和存储介质
CN115147598A (zh) 目标检测分割方法、装置、智能终端及存储介质
CN112598673A (zh) 全景分割方法、装置、电子设备和计算机可读介质
CN114782686A (zh) 一种图像分割方法、装置、终端设备及存储介质
CN112651975A (zh) 一种轻量化网络模型的训练方法、装置及设备
CN110135428B (zh) 图像分割处理方法和装置
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN110717405A (zh) 人脸特征点定位方法、装置、介质及电子设备
CN114741697B (zh) 恶意代码分类方法、装置、电子设备和介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN115496744A (zh) 基于混合注意力的肺癌图像分割方法、装置、终端及介质
CN112950652B (zh) 机器人及其手部图像分割方法和装置
CN114821272A (zh) 图像识别方法、系统、介质、电子设备及目标检测模型
CN112734772B (zh) 图像处理方法、装置、电子设备以及存储介质
CN112287144B (zh) 图片检索方法、设备及存储介质

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