申请/专利权人：江苏金智科技股份有限公司

申请日：2023-12-04

公开（公告）日：2024-02-27

公开（公告）号：CN117611970A

主分类号：G06V10/82

分类号：G06V10/82;G06V20/17;G06V20/10;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.15#实质审查的生效;2024.02.27#公开

摘要：本发明公开了一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，通过对原始图像通道、尺寸的随机变换扩充数据集，为了更好的提取特征，通过改进现有目标检测算法的主干网络CSPDarknet53为轻量级网络ShuffleNet提取图像中的特征，在提高计算速度的同时，增加该目标检测模型适用性。除此之外，在Neck层中，引入CBAM混合注意力机制，来提取杆塔鸟巢更纯净的特征，将SPP网络结构中的9*9池化、13*13池化都更改为平均池化，1*1池化和5*5池化保持最大池化不变，在不降低计算量和网络训练速度的情况下，融合和保留更多的特征信息。最后，引入迁移学习，避免训练集样本缺失造成模型训练效果不理想的情况。

主权项：1.一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，包括以下步骤：步骤1：基于无人机技术拍摄输电线路杆塔图像，人工检查筛除像素较低的图像，并使用目标标注工具LabelImg对图像中的检测目标鸟巢进行标注；步骤2：将无人机采集的人工标注后的图像通过完成对比度、亮度数据增强、随机通道变换、随机尺寸变换，在提高目标精准定位和识别准确率的同时，扩充训练数据集，防止模型发生过拟合，提高模型对不同尺寸、不同光照度图像的检测鲁棒性；步骤3：通过ShuffleNet网络提取经过步骤2处理后的图像上的特征，获取特征一，使用CBAM混合注意力机制在特征一上再次提取特征，获得特征二，在特征二上使用改进后的池化层完成池化操作，将池化层的输出输入到Head层获得检测结果；步骤4：融合迁移学习，将包含80个类别图像的公共数据集COCO作为源域，前期采集的杆塔鸟巢图像作为目标域进行模型迁移。

全文数据：

权利要求：

百度查询： 江苏金智科技股份有限公司 一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD