特高压环境评价中的航拍小目标智能识别方法*

李 尊,吴 豫,张 开,张嵩阳,丁子璇,刘镇弢,孙 伟,

（1.国网河南省电力公司，河南 郑州 450052；2.河南九域恩湃电力技术有限公司，河南 郑州 450016；3.西安电子科技大学，陕西 西安 710126；4.西安邮电大学，陕西 西安 710121）

1 研究背景

近些年来，无人机在现代军用和民用领域发挥着越来越重要的作用。而航拍目标检测一直以来都是无人机研究的重要内容，无人机可以在不同的环境下，完成指定的监测和侦查任务，其重要性不言而喻。但目前的目标识别大多针对普通大小的图像，而无人机在特定环境下拍摄的航空图像数据量大，覆盖面积更广，目标更小且聚集在一起，这就使得目前的目标识别检测算法在航拍图像中的识别效果并不理想，存在误检、漏检的情况[1-3]。因此，需要识别检测到小目标，以实现完整地标记识别目标。目标识别是计算机视觉领域的一个重要研究内容，也是国内外学者的研究热点。

目标检测算法[4-6]发展迅猛，种类繁多，基于深度学习的目标检测方法主要分为两类：一类是基于候选区域的卷积神经网络模型，另一类是基于回归的卷积神经网络模型。基于候选区域的目标检测算法是R-CNN网络和一系列优化模网络[7-9]。这种方法首先对图像进行先分类后回归处理，使用启发式方法或者CNN网络产生最有可能包含目标的子区域，然后在子区域上做分类与回归。基于回归的目标检测算法包括SSD和YOLO系列网络模型[10-13]。这种方法不需要对输入图像进行候选区域提取，用整张图像作为网络的输入，并在输出层回归检测目标边界框的位置和所属的类别。从R-CNN开始，采用目标检测结合深度学习，可开创一片新天地。深度学习强大的特征表示能力可为目标检测提供有效的特征，直接影响着目标检测算法性能[14-15]。

目前这两类网络模型各有优势，基于候选区域的卷积神经网络模型在检测准确率和精度较高，但步骤复杂，耗时长；基于回归的卷积神经网络在目标检测速度速度快，但对输入图像的大小有严格要求，无法检测图像中的小目标[16-17]。

综上所述，文章主要针对航拍图像小目标识别过程的不足，提出一种能够在特高压环境下对航拍图像的小目标进行识别的方法，解决了对大视野航拍图像中的小目标检测精度差的问题，运行识别速度更快，能够实现在特高压环境下对航拍图像的小目标识别。

2 算法原理

文章使用在特高压环境下拍摄的无人机航拍图像集，筛选包含需要检测目标的图像分别作为所需的训练集和测试集，上述图像集均为含有不同目标大小的图像集。

将训练图像数据集通过窗口网络进行预判断并分割成切块图像，送入后面的网络模型中进行学习训练，构成一个22层下采样16倍的网络结构，在网络模型的训练中对航拍图像数据集在目标检测任务中选取合适的anchor值[18-20]，采用聚类分析同时对网络中的权重参数逐层反向调节，得到最终训练好的网络模型。

训练模型的主要步骤如下：

步骤一：在图像训练集上训练构建好的网络模型，考虑到小目标的检测需要知晓目标的类别和在图像上的位置，因此构造与类别误差和未知误差有关的网络模型的目标损失函数LA（p,uw,l,vs）。计算定位损失函数Lloc(l,v)：

式中：x,y为经过(lx,ly)补偿后的强边框的中心坐标；w,h为经过(lw,lh)补偿后的默认框的宽和高；v为预测的坐标位置和宽高偏移量。

将传递函数T引入原始损失函数L(p,u,l,v)中，回归分析预测ROI与边框的偏移量，计算目标损失函数LA(p,uw,l,vs)：

式中：p为ROI类预测；l为预测偏移量；u为类别标签；v为目标偏移量；uw为经分类计算出的类别标签；vs为ROI和边框之间的偏移目标。每一次迭代优化都对边框进行一次精修，从而实现对最终检测边框的最佳定位。

步骤二：对航拍图像数据集在目标检测任务中选取合适的anchor值，在预测层的特征图上。对每个特征图的每个特征点上预测不同长宽比、不同尺度的anchor box，以此对目标边框位置进行预测。

获取训练数据集中标签框坐标(xi,yi,wi,hi)（其中i=1,2,3,…,n），同时从训练数据集中随机选定一个样本作为聚类中心C。

计算每个样本与现有聚类中心最短距离，样本被选为下一个聚类中心的概率为Pi，依据Pi值划分为n-1个递增区间，然后在0～1随机产生一个数r，r落在哪个区间就选择该区间对应的样本作为下一个聚类中心：

式中：pi为聚类中心的概率；di为现有聚类中心最短距离。重复这一步，直至选出k个聚类中心，对应的大小为(wi,Hi)（其中j=1,2,3,k），计算每个标签框与中心框的距离，将标签框归为距离最小的那个中心框类：

重新计算中心框大小：

式中：nj为对应的第j簇中标签框的个数；返回式（5）重新计算，直至(Wj,Hj)变化趋于0。

3 实验结果

实验：对航拍图像数据集进行处理，在每张航拍图像中标注出目标物体的边框和类名，生成对应的包含目标具体信息的类文件，使用已标记的航拍图像数据集。

使用训练好的网络结构中的卷积层对目标区域进行特征提取，得到多个尺度的特征图，在提取到的特征图上使用卷积滤波器进行预测，得到多个预测边框内的目标类别得分及预测边框相的位置坐标，此次实验的小目标识别结果如图1所示。

图1 小目标识别效果图

从图1中可以看出，输入待识别的航拍图像，对待识别图像计算标签框坐标，通过文章中构建的网络模型得到了较为准确的识别结果图，这种方法保留了利于小目标识别的浅层的关于目标丰富的位置信息等，更好地适应在特高压环境下的小目标识别，文章实验数据结果如表1所示。

表1 小目标识别数据

4 结束语

文章主要针对特高压环境下，对航拍图像中的小目标进行识别。首先，通过窗口网络进行预判断并分割成切块图像，送入小目标网络模型中进行学习训练；然后，在模型中采用聚类分析同时对网络中的权重参数逐层反向调节；最后，得到最终的小目标网络模型用于目标识别。