隨著智能電網(wǎng)建設的快速發(fā)展,目標檢測和識別已經(jīng)成為輸電線路巡檢的一種新的重要技術手段。然而由于間隔棒、防震錘、絕緣子、鳥巢、塔號牌以及電塔等線路關鍵部件尺度的多樣性變化,導致了現(xiàn)有的視覺巡檢系統(tǒng)對大目標和小目標的檢測精度不一致,即大目標檢測精度高,小目標檢測精度低。為此,開展基于深度卷積網(wǎng)絡的變尺度多目標檢測算法研究,對提高輸電線路巡檢的精度和效率具有十分重要的意義。本文的主要研究內(nèi)容和貢獻點可以分為三個部分:(一)提出了一種雙三次插值對齊的ROI池化方法(Bicubic Interpolation Align-based ROIPooling,BiaROIP)。針對ROI區(qū)域對應的基礎卷積網(wǎng)絡,利用雙三次插值方法獲取亞像素精度的卷積特征圖,再通過固定數(shù)目的網(wǎng)格將亞像素精度的卷積特征圖生成固定大小的特征,克服了現(xiàn)有ROI池化方法(ROIPooling,ROIP)存在的特征位置偏差問題,提高小目標的特征描述精度。針對輸電線路巡檢圖像測試集進行實驗,以VGG16作為特征提取網(wǎng)絡,BiaROIP的mAP達到了 62.2%,與同等實驗條件下的ROIP相比mAP提高了 9.4%。(二)提出了一種上下文級聯(lián)的區(qū)域建議網(wǎng)絡(Context Cascaded Region Proposal Network,CCRPN)。針對VGG16基礎卷積網(wǎng)絡,根據(jù)小目標與背景的上下文關系,構造一個級聯(lián)的區(qū)域建議網(wǎng)絡。其中,第一級RPN是在Conv5_3輸出的特征圖上檢測和定位大尺度背景區(qū)域,第二級RPN是在第一級RPN檢測出的大尺度背景區(qū)域對應的卷積特征圖上進行小目標的檢測和定位,增強小目標特征的表達能力。針對輸電線路巡檢圖像測試集進行實驗,CCRPN算法的mAP達到了 66.1%,與同等實驗條件下的Faster R-CNN相比mAP提高了 5.3%。(三)提出了一種多層次卷積特征圖拼接的融合方法(Multi-level Convolution Feature Concatenate-based Fusion,MCFCF)。針對 FPN 和 Faster R-CNN 的網(wǎng)絡結構特點,分別設計了基于FPN的MCFCF變尺度多目標檢測算法(FPN-MCFCF)和基于Faster R-CNN的MCFCF變尺度多目標檢測算法(FR-MCFCF),提高檢測模型對目標尺度變化的適應性。對于FPN-MCFCF算法,先將Top-down的第一層特征M5經(jīng)雙線性插值上采樣后和Bottom-up的倒數(shù)第二層特征C4通過橫向連接,經(jīng)過特征拼接后構造多尺度卷積特征,再輸入RPN進行目標區(qū)域檢測。對于FR-MCFCF算法,將VGG16的Conv4和Conv5卷積特征圖經(jīng)特征拼接后,構造多尺度卷積特征,再輸入RPN進行目標區(qū)域檢測。針對輸電線路巡檢圖像測試集進行實驗,FPN-MCFCF算法和FR-MCFCF算法的mAP分別達到了 75.1%和65.7%,與同等實驗條件下的FPN和 Faster-RCNN 相比,mAP分別提高了 0.8%和 2.8%。本文從卷積網(wǎng)絡特征的ROI池化,目標與背景上下文的區(qū)域建議網(wǎng)絡,和多層次卷積特征圖拼接的融合方法三個方面,開展了變尺度多目標檢測的算法研究和輸電線路變尺度多目標的檢測實驗。實驗結果表明,本文提出的方法提高了變尺度多目標的檢測精度,可以滿足輸電線路變尺度多目標檢測應用的要求。
【學位單位】：華中科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TM75;TP183
【部分圖文】：

（三）變尺度多目標。本文的變尺度多ｇ標指的是輸電線路巡檢圖像數(shù)據(jù)集中不??同目標之間的尺度差異，主要表現(xiàn)為不同目標之間矩形框的長寬差異和面積差異等??（圖１－２）。按照目標的尺度差異，可以將輸電線路的關鍵部件劃分為大目標（即電??塔和絕緣子）和小目標（即間隔棒、陡震錘、鳥巢和塔號牌等）。????（ｂ）??！￡￡■???（Ｃ）?（ｄ）???■二??６５?Ｘ?９３?１?；??Ｌ?ｆ?：?Ｉ?ｍ－＾ｌ??ＬｉＫ場！??（ｅ）?（ｆ）??圖１－２輸電線路巡檢圖像數(shù)據(jù)集。其中，圖像大小均為４８００?ｘ?２７０４，圖示的矩形框為人??工標注數(shù)據(jù)集的目標真實框，我們將目標的類別和矩形框的大小進行標注顯示�？梢钥闯鰯�(shù)據(jù)??集中不同目標的尺度差異明顯，比如（ａ）的電塔和塔號牌，電塔的面積為塔號牌的３１５倍、電塔??的寬為塔號牌的１７倍、電塔的高為塔號牌的１９倍，（ｂ）的電塔和鳥巢，（ｅ）的電塔和防震錘，（ｆ）??的電塔和間隔棒等，都表現(xiàn)為不同目標之間的長寬差異和面積差異。??２??

本文主要從以下三個方面開展了基于深度卷積網(wǎng)絡的輸電線路變尺度多目標檢??測算法的研究，分別是卷積網(wǎng)絡特征的ＲＯＩ池化，目標與背景上下文的區(qū)域建議網(wǎng)??絡，和多層次卷積特征圖拼接的融合方法（圖１－３）。實驗結果表明本文提出的方法??適用于輸電線路的變尺度多目標檢測任務，并取得了令人滿意的檢測效果。??基于深度卷積網(wǎng)絡的輸電線路變尺度多目標檢測算法研究??Ｒ０?丨池化?ＣＣＲＰＮ?ＭＣＦＣＦ?????????ＲＯＩＰ?ＲＯＩＡ?ＢｉａＲＯＩＰ?ＣＣＦＲ?ＣＣＲＰＮ?ｆｐｎ－ｍｃｆｃｆ?ＦＲ－ＭＣＦＣＦ??方案１?方案２?方案１?方案２??圖１－３本文的主要研究內(nèi)容》??１．４本文的組織結構??本文一共包含穴章，每一章的具體研究內(nèi)容如下：??第一章緒論。首先，介紹輸電線路變尺度多目標檢測住務的研宄背暈與意義。??然后，介紹目標檢測算法和變尺度多目標檢測箕法在國內(nèi)外的發(fā)展狀況，弁結合輸電??線路目標識別任務的難點進行方法的小結。最后，簡要介紹本文的主要研宄內(nèi)容和章??節(jié)報告。??第二章，介紹基于深度卷積網(wǎng)絡的目標檢測算法。首先，介紹經(jīng)典的一階段目標??檢測算法（ＳＳＤ）和兩階段目標檢測算法（ＦａｓｔｅｒＲ－ＣＮＮ）。其次，詳細介紹本文的輸??電線路巡檢圖像數(shù)據(jù)集和ｉ■標檢測的評價指標。緊接著

有利于檢測精度的提禽。ＳＳＤ對這些改進的特征實現(xiàn)了端到端的訓練，并且保證在??圖像分辨率低的情況下，保持檢測精度和速度的平衡。??如圖２－２所示：，ＳＳＤ的主千網(wǎng)絡結構是ＶＧＧ１６，將其２個全連．接層改成卷積層??再增加４個卷積層構造新的網(wǎng)絡結構，弁且聞時采用淺層和深層特征圖做預測。其??中，ＳＳＤ的默認框在不冋層的特征圖有不問的尺度，在問一層特征圖上又包含不冋??的比例，故基本上可以覆蓋輸入圖像中的各種形狀和大小的巨標。值得＾提的是ＳＳＤ??在經(jīng)過匹配策略之后，大部分的默認框是負樣本，容易造成正負樣本之間不平衡；為??了克服ＩＨ負樣本不平衡的問題，ＳＳＤ采用了困難樣本挖掘的方法，將負樣本按照得??分相卜序，選擇得分高的默認框，強制將正負樣本的比例控制在１：３。??入?１普??獻厫圖?Ｒｅｓｉｚｅ?丨、，／?／?ｃ／）?Ｚ?Ｊ?檢測＿??圖２－２基于ＳＳＤ的目標檢測框架
【相似文獻】

相關期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學習的目標檢測算法[J];軟件導刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標檢測算法[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標檢測算法分析[J];測繪科學;2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報;1994年05期

5 趙寶康;李晉文;楊帆;劉佳豪;;一種基于深度學習的遙感圖像目標檢測算法[J];計算機工程與科學;2019年12期

6 許云;李彬;;基于背景遺傳模型的運動目標檢測算法[J];自動化技術與應用;2017年03期

7 杜佳;宋春林;;一種改進的毫米波雷達多目標檢測算法[J];通信技術;2015年07期

8 諸葛霞;向健勇;;基于分形特征的目標檢測算法概述及仿真[J];紅外技術;2006年10期

9 鄺熠;陶果;朱玉潔;蔡偉立;;基于深度學習的目標檢測算法研究與應用[J];計算機產(chǎn)品與流通;2020年01期

10 丁業(yè)兵;;運動目標檢測算法綜述[J];科技資訊;2019年30期

相關博士學位論文 前10條

1 黃響;高速微弱目標檢測算法研究[D];西安電子科技大學;2019年

2 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2018年

3 趙紅燕;被動多基站雷達目標檢測算法研究[D];西安電子科技大學;2017年

4 郭小路;多通道雷達干擾抑制與目標檢測算法研究[D];西安電子科技大學;2017年

5 李健;星載寬幅SAR及目標檢測算法研究[D];西安電子科技大學;2018年

6 潘雪莉;機載環(huán)視SAR海面特性和艦船目標檢測算法研究[D];西安電子科技大學;2018年

7 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標檢測算法研究[D];深圳大學;2018年

8 曾冬冬;視頻監(jiān)控中的前景目標檢測算法研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

9 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學技術大學;2015年

10 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯(lián)想的過程[D];中國科學技術大學;2014年

相關碩士學位論文 前10條

1 王楠;基于深度學習的艦船檢測識別[D];哈爾濱工業(yè)大學;2019年

2 鄒丹音;基于深度學習的目標檢測算法FPGA實現(xiàn)[D];哈爾濱工業(yè)大學;2019年

3 王嘉寧;基于實時Linux的視頻目標檢測系統(tǒng)研究與實現(xiàn)[D];哈爾濱工業(yè)大學;2019年

4 萬晨霞;基于卷積神經(jīng)網(wǎng)絡的道路多目標檢測算法研究[D];河南工業(yè)大學;2019年

5 張宏斌;基于點云的三維目標檢測算法研究與標注工具設計[D];哈爾濱工業(yè)大學;2019年

6 陳心圓;基于深度學習的目標檢測優(yōu)化技術的研究與實現(xiàn)[D];國防科技大學;2017年

7 宮婷;基于深度學習的圖像目標檢測算法的研究[D];沈陽航空航天大學;2019年

8 解靜;基于深度學習的高光譜圖像目標檢測算法研究[D];西安電子科技大學;2019年

9 沈威;辣椒除雜系統(tǒng)總體設計及雜質識別算法研究[D];青島大學;2019年

10 王立豪;基于深度學習的目標檢測研究與實現(xiàn)[D];西安電子科技大學;2019年

本文編號：2879367