-
公开(公告)号：CN109472214A
公开(公告)日：2019-03-15
申请号：CN201811206029.X
申请日：2018-10-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度学习航拍异物图像实时检测方法,包括以下步骤：步骤S1:根据异物类型差异，建立4个航拍异物图像库；步骤S2:根据4个航拍异物图像库，分别制作数据集；步骤S3:构建并训练输电线路异物模型；步骤S4:构建并训练防震锤异物模型；步骤S5:构建并训练均压环线夹异物模型;步骤S6：构建并训练杆塔异物模型；步骤S7:采用fine-tune对建立的4个航拍异物图像库模型进行微调；步骤S8:固化微调后的4个航拍异物图像库模型；步骤S9:将待测图像输入4个固化的异物检后的模型中进行检测，经过网络前向传播后，得出4个检测结果的目标矩形框的坐标与置信度。本发明相对于传统端对端的模型中，准确度更高。
-
公开(公告)号：CN109472229A
公开(公告)日：2019-03-15
申请号：CN201811275856.4
申请日：2018-10-30
Applicant: 福州大学
Abstract: 本发明提出一种基于深度学习的杆塔鸟巢检测方法，利用深度神经网络框架将航拍获得的杆塔鸟巢图像进行划分，先利用深度学习网络提取输电线路杆塔信息，再利用深度学习网络提取鸟巢的深度特征信息，利用所提取的特征信息进行深度预测，预测出航拍杆塔图像中每个划分区域的定位置信度，最后将划分区域合并成杆塔鸟巢目标检测矩形框。其中包括以Darknet为框架，使用yolo v2搭建深度学习网络模型，利用卷积神经网络进行目标矩形框的回归预测及置信度预测。在此基础上，还可以利用深度学习图像增强的方式，弥补深度学习网络数据量较少的缺点，并利用fine-tune使得新数据可以在旧模型上继续训练，增强模型的特征偏向性和泛化能力。
-
Search Results
2
records
(took 0.017 seconds)
