(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111557697.9 (22)申请日 2021.12.19 (71)申请人 长沙理工大 学 地址 410015 湖南省长 沙市天心区赤岭路 45号长沙理工大 学 (72)发明人 彭曙蓉　刘登港　杨云皓　何洁妮　 彭家宜　陆双　郭丽娟　陈慧霞　 (74)专利代理 机构 深圳市深软翰琪知识产权代 理有限公司 4 4380 专利代理师 吴雅丽 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于深度学习及目标检测的架空线路图像 检测方法及系统 (57)摘要 本发明公开了一种基于深度学习及目标检 测的架空线路图像检测方法及系统， 本发明提出 了基于MobileNet 改进的YOLOv4目标检测算法， 将YOLOv4中的骨干网络用MobileNet网络代替， 同时将YOLOv4中的颈部网络中3 ×3的标准卷积 全部用深度可分离卷积替换， 使模型轻量化， 参 数量仅为原模型的19.7％， 检测速度从原来的 50.73帧/秒提升到95.40帧/秒， 提升了近两倍， 虽然在检测精度上略有下降， 但 仍在可接受的范 围内。 为了更进一步验证该模型的优越性， 将其 与同为一阶段目标检测的SSD算法进行对比， 结 果表明基于MobileNet改进的YOL Ov4算法在精度 和速度上均占有 优势。 权利要求书2页 说明书5页 附图2页 CN 114998764 A 2022.09.02 CN 114998764 A 1.一种基于深度学习及目标检测的架空线路图像检测方法， 其特征在于， 包括以下步 骤： 步骤1： 图像获取、 标定以及数据增强； 步骤2： 构建检测模型并对进行模型训练； 将数据集按照4:1的比例分为训练集和测试集， 采用MobileNet改进的YOLOv4目标检测 模型对标定好的数据集进 行训练， 为防止过拟合现象， 当在训练集的损失值 继续下降， 但测 试集的损失值停止下降， 即可停止训练； 在对图片进行检测时会设定一个IOU阈值， 大于该阈值模型会将其预测为正类样本， 否 则会将其预测为负类样本； 所述的检测模型为基于MobileNet ‑YOLOv4的目标检测网络， 采用三个特征层提取特征 对顶层， 中层和底层进 行目标检测及提取； 使用多尺度评价指标评价检测结果精度； 通过评 价结果对网络参数进行调整直至 达到最大检测精度； 步骤3： 采用训练完成的模型对新获取的图像进行检测。 2.根据权利要求1所述的基于深度学习及目标检测的架空线路图像检测方法， 其特征 在于， 步骤1中： 将收集到的图片使用LabelImg进行标定， 标定类别为电杆(pole)、 变压器 (transformer)、 电杆倾斜(pole  tilt)和导线断股(B roken wire)共四类目标， 标定后形成 图像对应的XML文件， 包 含目标的类别、 尺寸以及位置信息 。 3.根据权利要求1所述的基于深度学习及目标检测的架空线路图像检测方法， 其特征 在于， 步骤2中， MobileNet ‑YOLOv4的目标检测网络是将YOLOv4中的骨干网络用MobileNet 网络代替， 同时将YOLOv4中的颈部网络中3 ×3的标准卷积全部用深度可分离卷积替换， 使 模型轻量化。 4.根据权利要求3所述的基于深度学习及目标检测的架空线路图像检测方法， 其特征 在于， 步骤2中， 利用MobileNet网络 取代原YOLO_v4中的CSPDarknet 53， 采用MobileNetV1作 为主干特征提取网络， 使模型轻量化， 在 减少运算量的同时保证检测的精度， 使模型更容易 应用到无 人机巡线。 5.根据权利要求4所述的基于深度学习及目标检测的架空线路图像检测方法， 其特征 在于， 基于MobileNet ‑YOLOv4的目标检测网络的颈部网络还采用了PANet(Path   Aggregation  Network)结构， 它是在 特征金字塔 网络(Feature  Pyramid Network,FPN)进 行结构增强， 加入一条 由底到顶的信息通路， 节省时间的同时有效地使精准定位信息得以 直接利用， 能提供检测的准确性。 6.根据权利要求1所述的基于深度学习及目标检测的架空线路图像检测方法， 其特征 在于， 步骤3中， 模型的检测精度采用以下指标的中的至少1个： 精确率(Precision)、 召回率(Recall)、 平均精度值(Average  Precision， AP)和平均精 度均值(mean  Average Precision， mAP)来衡量； 检测速度的评价方式是每秒帧率(Frame  Per Second， FPS)， 即算法在一秒内可以检测 多少张图像。 7.根据权利要求1 ‑6任一项所述的基于深度学习及目标检测的架空线路图像检测方 法， 其特征在于， IOU阈值设置为0.5 。权　利　要　求　书 1/2 页 2 CN 114998764 A 28.一种基于深度学习及目标检测的架 空线路图像检测系统， 包括飞行器和数据处理模 块， 飞行器与数据处理模块通信连接， 在数据处理器模块中， 依据权利要求1 ‑7所述的方法 对架空线路实施目标检测。权　利　要　求　书 2/2 页 3 CN 114998764 A 3