特高壓環境評價中的航拍小目標智能識別方法*

李 尊,吳 豫,張 開,張嵩陽,丁子璇,劉鎮弢,孫 偉,

（1.國網河南省電力公司，河南 鄭州 450052；2.河南九域恩湃電力技術有限公司，河南 鄭州 450016；3.西安電子科技大學，陜西 西安 710126；4.西安郵電大學，陜西 西安 710121）

1 研究背景

近些年來，無人機在現代軍用和民用領域發揮著越來越重要的作用。而航拍目標檢測一直以來都是無人機研究的重要內容，無人機可以在不同的環境下，完成指定的監測和偵查任務，其重要性不言而喻。但目前的目標識別大多針對普通大小的圖像，而無人機在特定環境下拍攝的航空圖像數據量大，覆蓋面積更廣，目標更小且聚集在一起，這就使得目前的目標識別檢測算法在航拍圖像中的識別效果并不理想，存在誤檢、漏檢的情況[1-3]。因此，需要識別檢測到小目標，以實現完整地標記識別目標。目標識別是計算機視覺領域的一個重要研究內容，也是國內外學者的研究熱點。

目標檢測算法[4-6]發展迅猛，種類繁多，基于深度學習的目標檢測方法主要分為兩類：一類是基于候選區域的卷積神經網絡模型，另一類是基于回歸的卷積神經網絡模型。基于候選區域的目標檢測算法是R-CNN網絡和一系列優化模網絡[7-9]。這種方法首先對圖像進行先分類后回歸處理，使用啟發式方法或者CNN網絡產生最有可能包含目標的子區域，然后在子區域上做分類與回歸。基于回歸的目標檢測算法包括SSD和YOLO系列網絡模型[10-13]。這種方法不需要對輸入圖像進行候選區域提取，用整張圖像作為網絡的輸入，并在輸出層回歸檢測目標邊界框的位置和所屬的類別。從R-CNN開始，采用目標檢測結合深度學習，可開創一片新天地。深度學習強大的特征表示能力可為目標檢測提供有效的特征，直接影響著目標檢測算法性能[14-15]。

目前這兩類網絡模型各有優勢，基于候選區域的卷積神經網絡模型在檢測準確率和精度較高，但步驟復雜，耗時長；基于回歸的卷積神經網絡在目標檢測速度速度快，但對輸入圖像的大小有嚴格要求，無法檢測圖像中的小目標[16-17]。

綜上所述，文章主要針對航拍圖像小目標識別過程的不足，提出一種能夠在特高壓環境下對航拍圖像的小目標進行識別的方法，解決了對大視野航拍圖像中的小目標檢測精度差的問題，運行識別速度更快，能夠實現在特高壓環境下對航拍圖像的小目標識別。

2 算法原理

文章使用在特高壓環境下拍攝的無人機航拍圖像集，篩選包含需要檢測目標的圖像分別作為所需的訓練集和測試集，上述圖像集均為含有不同目標大小的圖像集。

將訓練圖像數據集通過窗口網絡進行預判斷并分割成切塊圖像，送入后面的網絡模型中進行學習訓練，構成一個22層下采樣16倍的網絡結構，在網絡模型的訓練中對航拍圖像數據集在目標檢測任務中選取合適的anchor值[18-20]，采用聚類分析同時對網絡中的權重參數逐層反向調節，得到最終訓練好的網絡模型。

訓練模型的主要步驟如下：

步驟一：在圖像訓練集上訓練構建好的網絡模型，考慮到小目標的檢測需要知曉目標的類別和在圖像上的位置，因此構造與類別誤差和未知誤差有關的網絡模型的目標損失函數LA（p,uw,l,vs）。計算定位損失函數Lloc(l,v)：

式中：x,y為經過(lx,ly)補償后的強邊框的中心坐標；w,h為經過(lw,lh)補償后的默認框的寬和高；v為預測的坐標位置和寬高偏移量。

將傳遞函數T引入原始損失函數L(p,u,l,v)中，回歸分析預測ROI與邊框的偏移量，計算目標損失函數LA(p,uw,l,vs)：

式中：p為ROI類預測；l為預測偏移量；u為類別標簽；v為目標偏移量；uw為經分類計算出的類別標簽；vs為ROI和邊框之間的偏移目標。每一次迭代優化都對邊框進行一次精修，從而實現對最終檢測邊框的最佳定位。

步驟二：對航拍圖像數據集在目標檢測任務中選取合適的anchor值，在預測層的特征圖上。對每個特征圖的每個特征點上預測不同長寬比、不同尺度的anchor box，以此對目標邊框位置進行預測。

獲取訓練數據集中標簽框坐標(xi,yi,wi,hi)（其中i=1,2,3,…,n），同時從訓練數據集中隨機選定一個樣本作為聚類中心C。

計算每個樣本與現有聚類中心最短距離，樣本被選為下一個聚類中心的概率為Pi，依據Pi值劃分為n-1個遞增區間，然后在0～1隨機產生一個數r，r落在哪個區間就選擇該區間對應的樣本作為下一個聚類中心：

式中：pi為聚類中心的概率；di為現有聚類中心最短距離。重復這一步，直至選出k個聚類中心，對應的大小為(wi,Hi)（其中j=1,2,3,k），計算每個標簽框與中心框的距離，將標簽框歸為距離最小的那個中心框類：

重新計算中心框大小：

式中：nj為對應的第j簇中標簽框的個數；返回式（5）重新計算，直至(Wj,Hj)變化趨于0。

3 實驗結果

實驗：對航拍圖像數據集進行處理，在每張航拍圖像中標注出目標物體的邊框和類名，生成對應的包含目標具體信息的類文件，使用已標記的航拍圖像數據集。

使用訓練好的網絡結構中的卷積層對目標區域進行特征提取，得到多個尺度的特征圖，在提取到的特征圖上使用卷積濾波器進行預測，得到多個預測邊框內的目標類別得分及預測邊框相的位置坐標，此次實驗的小目標識別結果如圖1所示。

圖1 小目標識別效果圖

從圖1中可以看出，輸入待識別的航拍圖像，對待識別圖像計算標簽框坐標，通過文章中構建的網絡模型得到了較為準確的識別結果圖，這種方法保留了利于小目標識別的淺層的關于目標豐富的位置信息等，更好地適應在特高壓環境下的小目標識別，文章實驗數據結果如表1所示。

表1 小目標識別數據

4 結束語

文章主要針對特高壓環境下，對航拍圖像中的小目標進行識別。首先，通過窗口網絡進行預判斷并分割成切塊圖像，送入小目標網絡模型中進行學習訓練；然后，在模型中采用聚類分析同時對網絡中的權重參數逐層反向調節；最后，得到最終的小目標網絡模型用于目標識別。