1.一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,包括以下步骤:
1)采集变电站鸟巢样本图片,对每一图片制作对应的样本标签文件;
2)以resnet50网络框架模型以及fasterr-cnn检测网络模型结合fpn特征金字塔网络模型与dcn可变形卷积核,建立深度学习网络模型;
3)将获得的所有变电站鸟巢样本图片及其对应的变电站鸟巢样本图片随机划分为训练集和测试集;
4)对训练集进行数据增强;
5)利用训练集对fasterrcnn+resnet50+fpn+dcn网络结构的深度学习网络模型进行训练,获得初步训练后的鸟巢检测模型;
6)采用测试集测试初步训练后的鸟巢检测模型的性能,根据测试结果调整训练参数与检测置信度阈值,优化并固化鸟巢检测模型;
7)针对待测图像输入固化后的鸟巢检测模型,输出获得检测结果。
2.根据权利要求1所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述的变电站鸟巢样本图片是指人站在地面上,以变电站设备上的鸟巢作为目标物,正对目标物的左右偏差15度和仰视30-45度的范围内采集获得的图片。
3.根据权利要求1所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述步骤2)中,深度学习网络模型具体是:在fasterr-cnn检测网络模型中的输入端到中间端的特征图之间的卷积模块部分采用resnet50网络框架模型和fpn特征金字塔网络模型交叉结合所代替,图像输入到resnet50网络框架模型的输入层,并且在resnet50网络框架模型的第二特征提取阶段到第五特征提取阶段的输出均连接到fpn特征金字塔网络模型的输入,fpn特征金字塔网络模型对resnet50网络框架模型的第二特征提取阶段到第五特征提取阶段输出的阶段特征图进行插值融合并输出不同尺度的特征图,且resnet50网络框架模型的最后三个阶段的卷积核改成dcn可变形卷积核。
4.根据权利要求3所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述步骤2)中,dcn可变形卷积核是在卷积核映射只能在卷积核的正方形区域内操作基础上对卷积核的每个像素点增加一个偏移量,训练开始时初始化偏移量,训练中将偏移量作为网络参数进行训练,计算方式具体采用如下公式:
式中,p0为卷积核的中心位置,pn是卷积核的当前其他位置p0相对于卷积核的中心位置p0对应所在的一个整数偏移,y是卷积层的输出结果,w是卷积核当前位置的权重函数,x(·)是特征图对应位置的取值;δpn表示偏移量。
5.根据权利要求1所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述步骤3)中对样本的划分具体是指取整个数据集的64%作为训练集,16%作为交叉验证集,剩余的20%作为测试集。
6.根据权利要求1所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述步骤4)具体是对训练集中的变电站鸟巢样本图片进行随机翻转、随机亮度增强和颜色通道标准化的多方面处理。
7.根据权利要求6所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述的颜色通道标准化具体是针对每个颜色通道采用以下公式处理:
式中,μ和σ分别表示在训练集上统计变电站鸟巢样本图片的rgb通道数值得到的同一通道的均值和方差,x、x′分别表示颜色通道标准化前后的变电站鸟巢样本图片的rgb通道中一通道的像素值。
8.根据权利要求1所述的一种结合resnet50+fpn+dcn的变电站图片鸟巢检测方法,其特征在于:所述步骤5)中,将训练的图片统一缩放到相同大小,先采用imagenet已知数据预训练resnet50网络框架模型的参数,训练时的参数更新方式为sgd,初始学习率为0.01,动量项为0.9,权值衰减系数1×10-4,批训练大小为4,训练20个时期;训练采用15000次迭代来慢启动,并采用学习率阶段逐渐下降方式训练。