CN110705542A - 一种基于HDNet的输电场景下吊车入侵检测机制 - Google Patents
一种基于HDNet的输电场景下吊车入侵检测机制 Download PDFInfo
- Publication number
- CN110705542A CN110705542A CN201910303273.6A CN201910303273A CN110705542A CN 110705542 A CN110705542 A CN 110705542A CN 201910303273 A CN201910303273 A CN 201910303273A CN 110705542 A CN110705542 A CN 110705542A
- Authority
- CN
- China
- Prior art keywords
- crane
- network
- hdnet
- power transmission
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提出了一种基于HDNet的输电场景下吊车入侵检测机制,该机制利用传统图像几何变换和GAN来对数据集进行生成式数据增强;设计一种新的目标检测网络HDNet,包括吊车候选区域生成子网络HRDNet和吊车目标分类子网络HCNet;采用通道剪枝策略来删除无效节点,实现模型压缩,使之可以在嵌入式平台上平稳运行,提高目标检测的效率,保证输电场景下吊车入侵运作检测的可用性和健壮性。
Description
技术领域
本发明涉及深度学习目标检测领域,具体涉及到一种基于HDNet 的输电场景下吊车检测机制。
背景技术
一种基于HDNet的输电场景下吊车检测机制,基于深度学习目标检测方法,设计新型卷积神经网络,对神经网络进行压缩。最接近本发明的技术有:
(1)、YOLO算法:YOLO算法是深度学习目标检测one-stage 算法的典型代表之一,实现了一种高效的端到端的深度学习***的实时目标检测效果。YOLO算法首先将图像缩放至统一尺寸,然后送入卷积神经网络,将输入的图像分割为多个网格单元,每个网格单元负责去检测那些中心点落在格子内的目标。每个检测到的目标都包括变借款提供的坐标和置信度两部分组成,利用反向传播通过回归计算得到正确目标的边界框。但是YOLO的高效率是以精度的损失为条件的,当图像中存在小目标或者密集目标时,YOLO的检测效果十分不理想。
(2)、Faster R-CNN算法:在2016年提出的two-stage方法Faster R-CNN,在结构上,将特征提取,候选区域生成,边界框回归,分类都整合在了一个网络中,使得综合性能有较大提高,在two-stage方法中的检测速度方面尤为明显。但是其检测效率跟one-stage方法相比仍有很大差距,检测精度也有待进一步提高。
为了弥补传统深度学***台上运行的难题,该方法充分利用深度学习在目标检测领域的优势,实现了对传统目标检测方法在输电场景下吊车入侵检测的速度和效率进行进一步提升。
发明内容
为解决现有技术中的缺点和不足,本发明提出了一种基于HDNet 的输电场景下吊车入侵实时检测机制,该机制利用传统图像几何变换和GAN来对数据集进行生成式数据增强;设计一种新的目标检测网络HDNet,包括吊车候选区域生成子网络HRDNet和吊车目标分类子网络HCNet;采用通道剪枝策略来删除无效节点,实现模型压缩,使之可以在嵌入式平台上平稳运行,提高目标检测的效率,保证输电场景下吊车入侵运作检测的可用性和健壮性。本发明的技术方案为:
步骤(1)、基于传统的数据增强方法,采用水平翻转、旋转、随机裁剪等方法获得新的图像;
步骤(2)、基于GAN,采用DCGAN来生成新的输电场景下的吊车图像,对数据集进行生成式数据增强;
步骤(3)、通过传感器唤醒摄像头并加载神经网络模型,将采集到的图像缩放至统一尺寸后输入HDNet;
步骤(4)、HDNet分为精确吊车候选区域提取网络HRDNet和候选区域精确分类网络HCNet;
步骤(5)、在HRDNet,将图像划分为9×9个网格,在每个网格中对候选区域进行回归,最终将置信度大于某个阈值的候选区域作为待分类的目标区域;
步骤(6)、在HCNet中对候选区域进行再次分类,得到最终的检测结果;
步骤(7)、对于每一个通道级别上的卷积核,通过Frobenius 范数大删除通道多余神经元,实现对神经网络作用较小的分支的剪枝,获得体积更小的模型;
步骤(8)、通过剪枝获得的模型,利用训练集进行重新训练,以弥补由于剪枝带来的精度损失;
步骤(9)、对检测结果进行综合分析,并将其通过无线发送至服务器终端。
本发明的有益效果:
(1)本方法利用传统几何变换和GAN相结合的方式对数据集进行扩充,解决了训练样本不足的问题;
(2)提出了目标监测的一个新方案,即将检测重心放在更精确的候选区域的生成,并辅以较小的分类网络进行再次判断;
(3)针对部分轻量级计算平台的限制采取了通道剪枝的方案进行模型压缩,极大地减小了目标监测的计算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于HDNet的输电场景下吊车入侵检测的模型简图;图2为HDNet网络结构图;图3为HRDNet网络结构图;图4为 HCNet网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,基于HDNet的输电场景下吊车入侵检测机制的缓存模型简图,结合使用传感器和模型压缩算法,以减少能耗使之可以在轻量级计算平台上运行,同时HDNet实现目标的高精度高效率检测。如图2所示,HDNet分为HRNet和HCNet两部分,两个子网络结构图如图3、4所示,经过两个子网络的处理,对图像中的吊车目标进行检测。
下面对基于HDNet的输电场景下吊车入侵检测机制的具体流程进行详细说明:
步骤(1)、基于传统的数据增强方法,采用水平翻转、旋转、随机裁剪等方法获得新的图像;
步骤(2)、基于GAN,采用DCGAN来生成新的输电场景下的吊车图像,对数据集进行生成式数据增强;
步骤(3)、通过传感器唤醒摄像头并加载神经网络模型,将采集到的图像缩放至统一尺寸后输入HDNet;
步骤(4)、HDNet分为精确吊车候选区域提取网络HRDNet和候选区域精确分类网络HCNet;
步骤(5)、在HRDNet,将图像划分为9×9个网格,在每个网格中对候选区域进行回归,最终将置信度大于某个阈值的候选区域作为待分类的目标区域;
步骤(6)、在HCNet中对候选区域进行再次分类,得到最终的检测结果;
步骤(7)、对于每一个通道级别上的卷积核,通过Frobenius 范数大删除通道多余神经元,实现对神经网络作用较小的分支的剪枝,获得体积更小的模型;
步骤(8)、通过剪枝获得的模型,利用训练集进行重新训练,以弥补由于剪枝带来的精度损失;
步骤(9)、对检测结果进行综合分析,并将其通过无线发送至服务器终端。
本发明基于HDNet的输电场景下吊车入侵检测机制,利用传统图像几何变换和GAN来对数据集进行生成式数据增强。设计吊车检测网络HDNet,通过吊车候选区域子网络HRNet生成可能存在吊车的区域,并通过HCNet进行再次分类。采用通道剪枝策略来删除无效节点,实现模型压缩,经过再次训练恢复模型准确率,使之可以在嵌入式平台上平稳运行,提高目标检测的效率,保证输电场景下吊车入侵运作检测的可用性和健壮性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于HDNet的输电场景下吊车入侵检测机制利用传统图像几何变换和GAN来对数据集进行生成式数据增强;设计一种新的目标检测网络HDNet,包括吊车候选区域生成子网络HRDNet和吊车目标分类子网络HCNet;采用通道剪枝策略来删除无效节点,实现模型压缩,使之可以在嵌入式平台上平稳运行,提高目标检测的效率,保证输电场景下吊车入侵运作检测的可用性和健壮性。包括以下步骤:
步骤(1)、基于传统的数据增强方法,采用水平翻转、旋转、随机裁剪等方法获得新的图像;
步骤(2)、基于GAN,采用DCGAN来生成新的输电场景下的吊车图像,对数据集进行生成式数据增强;
步骤(3)、通过传感器唤醒摄像头并架加载神经网络模型,将采集到的图像缩放至统一尺寸后输入HDNet;
步骤(4)、HDNet分为精确吊车候选区域提取网络HRDNet和候选区域精确分类网络HCNet;
步骤(5)、在HRDNet,将图像划分为9×9个网格,在每个网格中对候选区域进行回归,最终将置信度大于某个阈值的候选区域作为待分类的目标区域;
步骤(6)、在HCNet中对候选区域进行再次分类,得到最终的检测结果;
步骤(7)、对于每一个通道级别上的卷积核,通过Frobenius范数大删除通道多余神经元,实现对神经网络作用较小的分支的剪枝,获得体积更小的模型;
步骤(8)、通过剪枝获得的模型,利用训练集进行重新训练,以弥补由于剪枝带来的精度损失;
步骤(9)、对检测结果进行综合分析,并将其通过无线发送至服务器终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303273.6A CN110705542A (zh) | 2019-04-15 | 2019-04-15 | 一种基于HDNet的输电场景下吊车入侵检测机制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303273.6A CN110705542A (zh) | 2019-04-15 | 2019-04-15 | 一种基于HDNet的输电场景下吊车入侵检测机制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705542A true CN110705542A (zh) | 2020-01-17 |
Family
ID=69193025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303273.6A Pending CN110705542A (zh) | 2019-04-15 | 2019-04-15 | 一种基于HDNet的输电场景下吊车入侵检测机制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705542A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968832A (zh) * | 2010-10-26 | 2011-02-09 | 东南大学 | 基于构造-剪枝混合优化rbf网络的煤灰熔点预测方法 |
CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
CN108734225A (zh) * | 2018-06-08 | 2018-11-02 | 浙江大学 | 一种基于深度学习的输电线路施工物体图像检测方法 |
CN109063694A (zh) * | 2018-09-12 | 2018-12-21 | 北京科技大学 | 一种视频目标检测识别方法 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
-
2019
- 2019-04-15 CN CN201910303273.6A patent/CN110705542A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968832A (zh) * | 2010-10-26 | 2011-02-09 | 东南大学 | 基于构造-剪枝混合优化rbf网络的煤灰熔点预测方法 |
CN106886795A (zh) * | 2017-02-17 | 2017-06-23 | 北京维弦科技有限责任公司 | 基于图像中的显著物体的物体识别方法 |
CN108734225A (zh) * | 2018-06-08 | 2018-11-02 | 浙江大学 | 一种基于深度学习的输电线路施工物体图像检测方法 |
CN109063694A (zh) * | 2018-09-12 | 2018-12-21 | 北京科技大学 | 一种视频目标检测识别方法 |
CN109472229A (zh) * | 2018-10-30 | 2019-03-15 | 福州大学 | 基于深度学习的杆塔鸟巢检测方法 |
Non-Patent Citations (4)
Title |
---|
JOSEPH REDMON等: ""YOLO9000:Better, Faster, Stronger"", 《ARXIV》 * |
JOSEPH REDMON等: ""You Only Look Once:Unified, Real-Time Object Detection"", 《ARXIV》 * |
SHAOQING REN等: ""Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks"", 《ARXIV》 * |
YIHUI HE等: ""Channel Pruning for Accelerating Very Deep Neural Networks"", 《ARXIV》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160108B (zh) | 一种无锚点的人脸检测方法及*** | |
CN108846826B (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
Liu et al. | Research on automatic garbage detection system based on deep learning and narrowband internet of things | |
CN109214353B (zh) | 一种基于剪枝模型的人脸图像快速检测训练方法和装置 | |
CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
CN113850242B (zh) | 一种基于深度学习算法的仓储异常目标检测方法及*** | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN110717496B (zh) | 基于神经网络的复杂场景树木检测方法 | |
CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
CN113222210B (zh) | 一种基于多模态生成对抗的台风短期预测方法及装置 | |
CN102903121A (zh) | 基于运动目标跟踪的融合算法 | |
CN114972312A (zh) | 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法 | |
CN114548606B (zh) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 | |
CN116012879A (zh) | 改进YOLOv4网络的行人检测方法、***、设备及介质 | |
Yang et al. | Research on subway pedestrian detection algorithms based on SSD model | |
Huang et al. | Mobile phone component object detection algorithm based on improved SSD | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、***和电子设备 | |
CN111931551B (zh) | 一种基于轻量级级联网络的人脸检测方法 | |
Ouyang et al. | Aerial target detection based on the improved YOLOv3 algorithm | |
Chen et al. | [Retracted] Surface Defect Detection Method Based on Improved Attention Mechanism and Feature Fusion Model | |
Xie et al. | CSPPartial-YOLO: A lightweight YOLO-based method for typical objects detection in remote sensing images | |
CN110705542A (zh) | 一种基于HDNet的输电场景下吊车入侵检测机制 | |
CN116884211A (zh) | 一种交通序列预测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |