基于改进RetinaNet的冷却塔目标检测

发布时间：2024-11-30 22:45

　　 冷却塔排放容易造成大气污染,利用高分辨率遥感影像对冷却塔进行检测,可以为废气排放治理提供决策数据。针对传统算法在高分辨率遥感影像目标检测中检测精度不高、检测速度慢等问题,采用无采样机制改进Retina Net目标检测框架从而提取冷却塔。首先,将数据集标注为工作中的冷却塔和非工作中的冷却塔;然后,根据数据集中目标类别数、训练中正样本的比例等特点对分类子网络最后一层的偏置项进行初始化并确定类别自适应阈值,此外,通过回归损失来设置分类损失的调整比例以避免损失函数被众多负样本所支配;最后,采用Res Net50提取图像特征,利用特征金字塔网络(feature pyramid networks,FPN)模块生成多尺度卷积特征金字塔,对每层特征进行检测框回归以及类别置信度计算。实验结果表明:对于高分辨率遥感影像冷却塔目标检测,该算法相比原始Retina Net模型在保证检测速度的同时提高了检测精度,证明算法的有效性。

【文章页数】：6 页

【部分图文】：

图1 Retina Net框架

RetinaNet框架如图1所示。RetinaNet由特征提取网络、特征金字塔网络(featurepyramidnetworks,FPN)、分类子网络和边框回归子网络组成。使用ResNet[15]作为特征提取网络，将卷积层conv3,conv4和conv5输出的特征图表....

图2 数据集示例

实验数据裁剪自谷歌影像，截取的图片均为双曲线自然通风冷却塔，使用开源图像标注软件LabelImg进行图像标注，标注方法与PascalVOC数据集一致。数据集共1200张图像，图像尺寸不一，如图2所示，检测目标包括工作中的冷却塔(coolingtowerworking,C....

图3 冷却塔测试集上的目标检测结果

图3显示了本文算法在冷却塔测试集的部分正检(图3(a)—(d))和误检(图3(e)—(h))结果。对检测结果进行分析，遥感影像中冷却塔目标的环境复杂并且一幅影像中存在多个目标，对于在大小、工作状态和坐落方位上存在较大差异的冷却塔都能够有效检测出，说明本文算法能够在复杂环境的干扰下....

图4-1遥感影像冷却塔目标检测结果

实际应用中通常在较大范围的场景中进行冷却塔目标检测，为了验证本文算法的实用性，在较大图像分辨率的谷歌遥感影像上进行检测，结果如图4所示。可以看到，冷却塔目标在不同场景中所占的比例较小，受背景的干扰较大，在3个大型场景中共检测出15个目标，其中12个冷却塔目标被全部检出且分类正确，....

本文编号：4013131