一种基于UNet网络的复杂背景下输电线识别方法

技术领域：

本发明涉及计算机视觉领域，具体涉及一种基于unet网络的复杂背景下输电线识别方法。

背景技术：
：

输电线因长期暴露在野外环境中易发生损坏，如果不及早发现并消除隐患，将导致国民经济重大损失。因此，为确保安全，电力公司需对输电线路进行定期巡检。目前无人机技术的高速发展为输电线路巡检带来了新的前景。无人机体积小，成本低，操控方便，可以翻山越岭在艰苦恶劣环境下飞行，适用于在不同位置和不同角度拍摄图像和视频，具有优良的机动性和灵活性。

如何从复杂多样的航拍背景图像中完整、准确地提取输电线，是无人机电力巡检必须解决的关键问题。目前，许多学者针对航拍图像输电线提取方法进行了大量研究。其中，利用抗噪性能较好的ratio算子进行输电线的边缘检测，由于ratio算子利用中间区域和两边相邻区域灰度均值的比值来进行边缘检测，必须严格限定图像中输电线的方向，并以此设定ratio算子的检测方向，因约束条件苛刻，实际应用受到制约。利用多组形态学算法实现输电线边缘像素点的快速检测，但是鲁棒性较差，不同复杂背景下输电线提取效果差别较大。利用方向滤波进行自相关增强，抑制复杂背景的同时增强输电线目标，但是增强效果依赖于人工控制的迭代次数。利用canny算子边缘检测，hough变换提取直线，再经过直线段编组合并，此种方法在复杂背景下输电线识别效果差，容易提取出大量的噪声，影响后续直线段编组合并。

技术实现要素：
：

针对上述问题，本发明提供一种基于unet网络的复杂背景下输电线识别方法，能够在各种复杂的背景下，不同视角含有输电线图像中，精确地识别出输电线。

为了实现本发明之目的，拟采用以下技术方案：一种基于unet网络的复杂背景下输电线识别方法，包括以下步骤：

步骤1：获取不同视角含有输电线图像；

步骤2：对含有输电线图像进行预处理，即采用数据增强方式扩充含有输电线图像，建立含有输电线图像数据集，给每张含有输电线图像中的输电线记标签，获得输电线像素为1，背景像素为0的标签图；

步骤3：构建unet网络；

步骤4：把含有输电线图像数据集中的图像及对应的标签图输入unet网络进行训练，获得最优的权重参数及对应的最优输电线识别模型；

步骤5：将最优输电线识别模型应用于需要识别的输电线图像，识别提取出输电线。

本方案中所述步骤1中，在不同复杂背景下，航拍获取不同视角的含有输电线图像。

进一步地，所述步骤2中，数据增强方式采用随机翻转、裁剪、旋转扩充含有输电线图像，用标注软件将含有输电线图像中的输电线记标签，将含有输电线图像及对应的标签图按照8∶1∶1的比例随机分配生成训练集、验证集和测试集。

进一步地，所述步骤3中，unet网络包括下采样编码、上采样解码和跳跃链接，下采样编码对输入图像进行多次卷积、归一化和最大池化操作，获得不同尺度的有效特征层，上采样解码对不同尺度的有效特征层进行两倍上采样恢复输入图像像素尺寸，跳跃链接中每一次下采样生成的有效特征层都会与对应的上采样进行特征融合，输出的特征层和输入图像的高宽相同。

下采样编码中，采用vgg16卷积神经网络提取输入图像多尺度特征信息，采用dice系数作为unet网络的评价指标，dice系数取值范围为[0，1]，计算公式如下：

其中，x是输入图像经过unet网络预测的结果，y是标签图的真实结果。

进一步地，所述步骤4中，把含有输电线图像及对应的标签图输入unet网络进行训练，unet网络总训练世代为m，其中前50％个世代为冻结vgg16卷积神经网络情况下训练的代数，后50％个世代为解冻之后训练的代数，unet网络采用的预训练权重为网络在pascalvoc挑战赛标准数据集上训练的权重；初始学习率设置为k，每训练j个世代，学习率调整为上个世代的l倍，每批样本大小设置为n，损失函数值采用交叉熵损失函数和diceloss的和，每个世代训练完都代入验证集计算验证集的损失函数值，保存损失函数值最低的权值文件为训练获得的最优的权重参数及对应的最优输电线识别模型。

进一步地，所述步骤5中，将需要识别的含有输电线图像输入最优输电线识别模型，识别提取出输电线。

相比现有技术，本发明通过获取不同视角含有输电线图像，采用数据增强方式扩充含有输电线图像，增加输电线数据集的多样性，构建unet网络，学习到含有输电线图像多尺度的特征信息，提升网络模型的泛化能力，最终在复杂背景下精准的识别出输电线。

附图说明：

图1为本发明整体流程图。

图2为无人机航拍输电线图。

图3为输电线识别效果图。

具体实施方式：

下面通过具体实施例对本发明的目的作进一步详细地描述，实施例不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施例。

本发明的整体流程如图1所示，一种基于unet网络的复杂背景下输电线识别方法，具体包括以下步骤：

步骤1：在不同复杂背景下，航拍获取不同视角的含有输电线图像，如图2所示。

步骤2：对含有输电线图像进行预处理，即采用数据增强方式扩充含有输电线图像，建立含有输电线图像数据集，给每张含有输电线图像中的输电线记标签，获得输电线像素为1，背景像素为0的标签图，将含有输电线图像及对应的标签图按照8∶1∶1的比例随机分配生成训练集、验证集和测试集。

步骤3：构建unet网络，包括下采样编码、上采样解码和跳跃链接，下采样编码对输入图像进行多次卷积、归一化和最大池化操作，获得不同尺度的有效特征层，上采样解码对不同尺度的有效特征层进行两倍上采样恢复输入图像像素尺寸，跳跃链接中每一次下采样生成的有效特征层都会与对应的上采样进行特征融合，输出的特征层和输入图像的高宽相同。

下采样编码中，采用vgg16卷积神经网络提取输入图像多尺度特征信息，采用dice系数作为unet网络的评价指标，dice系数取值范围为[0，1]，计算公式如下：

其中，x是输入图像经过unet网络预测的结果，y是标签图的真实结果。

步骤4：把含有输电线图像及对应的标签图输入unet网络进行训练，unet网络总训练世代为m，其中前50％个世代为冻结vgg16卷积神经网络情况下训练的代数，后50％个世代为解冻之后训练的代数，unet网络采用的预训练权重为网络在pascalvoc挑战赛标准数据集上训练的权重；初始学习率设置为k，每训练j个世代，学习率调整为上个世代的l倍，每批样本大小设置为n，损失函数值采用交叉熵损失函数和diceloss的和，每个世代训练完都代入验证集计算验证集的损失函数值，保存损失函数值最低的权值文件为训练获得的最优的权重参数及对应的最优输电线识别模型。

步骤5：将需要识别的含有输电线图像输入最优输电线识别模型，识别提取出输电线，如图3所示。

通过本实施例上述5个步骤，可最终实现复杂背景下输电线识别。

上述具体实施方式用来解释说明本发明，故不能依此限定本发明实施的范围，在本发明的精神和权利要求的保护范围内，所做的任何修改和改进，均应含在本发明的保护范围内。