申请/专利权人：南京师范大学

申请日：2021-05-10

公开（公告）日：2024-04-26

公开（公告）号：CN113392701B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.10.01#实质审查的生效;2021.09.14#公开

摘要：本发明公开了一种基于YN‑Net卷积神经网络的输电线路障碍物检测方法，包括如下步骤：基于输电线路巡检机器人搭载的ZED双目摄像头采集输电线路障碍物图像；对采集到的输电线路障碍物图像进行预处理并制成数据集；搭建YN‑Net卷积神经网络，对YN‑Net卷积神经网络进行充分训练，得到训练好的YN‑Net卷积神经网络模型；使用YN‑Net卷积神经网络模型对采集到的输电线路障碍物实时图像进行分类，根据输入图像中存在障碍物与不存在障碍物的概率值来判断输电线路巡检机器人前方是否存在障碍物。本发明能够提升卷积神经网络的实时性与可靠性，解决了目前输电线路障碍物检测算法准确率不高，实时性不好等问题，并且具有很高的可移植性，可应用于嵌入式开发平台，应用前景广泛。

主权项：1.一种基于YN-Net卷积神经网络的输电线路障碍物检测方法，其特征在于，包括如下步骤：S1：基于输电线路巡检机器人搭载的ZED双目摄像头采集输电线路障碍物图像；S2：对采集到的输电线路障碍物图像进行预处理并制成数据集；S3：搭建YN-Net卷积神经网络，并使用步骤S2的数据集对YN-Net卷积神经网络进行充分训练，得到训练好的YN-Net卷积神经网络模型；S4：使用训练好的YN-Net卷积神经网络模型对采集到的输电线路障碍物实时图像进行分类，根据输入图像中存在障碍物与不存在障碍物的概率值来判断输电线路巡检机器人前方是否存在障碍物；所述步骤S3中YN-Net卷积神经网络的搭建方法为：B1：设计一种新型的卷积结构单元，命名为Reduce-Group卷积，Reduce-Group卷积首先使用标准卷积对输入特征图进行降维，再通过2个不同的卷积通道对降维后的特征图进行特征提取，通道1对降维后的特征图进行一次分组卷积特征提取，通道2对降维后的特征图进行两次分组卷积特征提取，最后将两个通道的结果叠加使用分组卷积进行特征提取，得到最终的输出特征图；B2：基于Reduce-Group卷积搭建YN-Net卷积神经网络；所述步骤B2中基于Reduce-Group卷积搭建YN-Net卷积神经网络的方法为：首先将输入图像进行大小调整，使用一层标准卷积层对调整后的输入图像进行特征提取得到初步特征图，然后使用五层的Reduce-Group卷积层对初步特征图进行进一步特征提取，得到深度特征图，用两层的标准卷积层对深度特征图进行特征融合得到YN-Net卷积神经网络的最终特征图，使用全局均值池化对最终特征图进行处理得到输出向量out，out的组成如公式1所示，其中a和b分别表示当前输入图像中存在障碍物与不存在障碍物的概率值out＝[a,b]1。

全文数据：

权利要求：

百度查询： 南京师范大学 一种基于YN-Net卷积神经网络的输电线路障碍物检测方法

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