基于半监督学习和可变形卷积的输电塔遥感目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100542A(43)申请公布日2022.09.23(21)申请号202210864523.5G06V10/22(2022.01)(22)申请日2022.07.21G06V10/20(2022.01)G06N3/08(2006.01)(71)申请人中国矿业大学（北京）地址100083北京市海淀区学院路丁11号(72)发明人查雯婷胡龙韦李亚龙金叶(74)专利代理机构青岛智地领创专利代理有限公司37252专利代理师韩孟霞(51)Int.Cl.G06V20/13(2022.01)G06V10/82(2022.01)G06V10/774(2022.01)G06V10/766(2022.01)G06V10/764(2022.01)G06V10/26(2022.01)权利要求书3页说明书6页附图3页(54)发明名称基于半监督学习和可变形卷积的输电塔遥感目标检测方法(57)摘要本发明公开基于半监督学习和可变形卷积的输电塔遥感目标检测方法，所述方法包括：采集输电塔卫星遥感图片,构建已标注数据集和未标注数据集；构建基于可变形卷积的输电塔遥感目标检测模型；通过训练和验证得到基于已标注数据集的输电塔遥感目标检测模型；基于已标注数据集的输电塔遥感目标检测模型，对未标记数据集中的图片进行检测，得到未标记数据集的伪标签；针对已标注数据集和带伪标签的未标注数据集进行共同训练和验证，获得最优的输电塔遥感目标检测模型；基于最优的输电塔遥感目标检测模型，对卫星遥感图片中输电塔进行检测，并计算目标检测精度。本方法更准确地检测出输电塔目标，提高了输电塔勘测效率。CN115100542ACN115100542A权利要求书1/3页1.基于半监督学习和可变形卷积的输电塔遥感目标检测方法，其特征在于，所述检测方法包括以下步骤：步骤1、采集待检测区域范围内的输电塔卫星遥感图片，将卫星遥感图片进行分割，构建输电塔遥感图片的已标注数据集和未标注数据集；步骤2、构建基于可变形卷积的输电塔遥感目标检测模型；步骤3、通过训练和验证得到基于已标注数据集的输电塔遥感目标检测模型；步骤4、基于已标注数据集的输电塔遥感目标检测模型，对未标记数据集中的图片进行检测，得到未标记数据集的伪标签；步骤5、将已标注数据集和带伪标签的未标注数据集进行合并进行共同训练和验证，对基于已标注数据集的输电塔遥感目标检测模型进行优化，获得最优的输电塔遥感目标检测模型；步骤6、基于最优的输电塔遥感目标检测模型，将卫星遥感图片经过尺寸缩放和像素归一化后输入到最优的输电塔遥感目标检测模型中获得每张图片中的输电塔位置以及类别信息，并对最优的输电塔遥感目标检测模型检测结果计算平均精度均值mAP分数和准确率进而获取目标检测精度。2.根据权利要求1所述的基于半监督学习和可变形卷积的输电塔遥感目标检测方法，其特征在于，所述步骤1构建输电塔遥感图片的已标注数据集和未标注数据集的方法为：步骤11、采集待检测空间区域范围内的卫星遥感原始图片；步骤12、将卫星遥感原始图片分割成W×H像素的小尺寸图片，得到汇总的图片集D；步骤13、通过专家系统确定待检测空间区域范围内输电塔的种类及典型图片；步骤14、将图片集D中专家能够明确判别种类的输电塔目标使用矩形框标注位置并标注输电塔塔形类别，汇总形成已标注数据集D1，将已标注数据集D1内的数据按照n:1的比例划分为训练集T1和验证集V1，剩余专家无法判别种类的输电塔目标图片不标注，直接汇总形成未标注数据集D2；步骤15，对T1和V1使用数据增强方法进行数据增强，得到增强后的增强训练集T11和增强验证集V11，T11＝{(x1,y1)，(x2,y2)，…，(xi,yi)}、V11＝{(x1,y1)，(x2,y2)，…，(xj,yj)}，其中3×600×6003×600×600xi∈R代表第i张输入图片，R代表实数，R表示大小为3×600×600的实数空间，yi＝{(ci1,li1,ti1,wi1,hi1)1，(ci2,li2,ti2,wi2,hi2)2，…，(ciN,liN,tiN,wiN,hiN)N}是标签，N代表第i张输入图片中输电塔目标的个数，cij∈Z代表第i张输入图片中第j个输电塔的种类对应的编号，lij,tij,wij,hij∈R分别代表第i张输入图片中第j个输电塔的矩形标注框的左上角横坐标、左上角纵坐标、矩形框的宽、矩形框的高,增强训练集T11和增强验证集V11共同组合得到增强后的已标注数据集D11。3.根据权利要求1所述的基于半监督学习和可变形卷积的输电塔遥感目标检测方法，其特征在于，所述步骤2中所述构建基于可变形卷积的输电塔遥感目标检测模型，具体包括以下步骤：步骤21、构建目标检测模型的输入模块，输入模块中包括图片