基于深度卷积网络的输电线路变尺度多目标检测算法研究

发布时间：2020-11-11 15:21

　　 随着智能电网建设的快速发展,目标检测和识别已经成为输电线路巡检的一种新的重要技术手段。然而由于间隔棒、防震锤、绝缘子、鸟巢、塔号牌以及电塔等线路关键部件尺度的多样性变化,导致了现有的视觉巡检系统对大目标和小目标的检测精度不一致,即大目标检测精度高,小目标检测精度低。为此,开展基于深度卷积网络的变尺度多目标检测算法研究,对提高输电线路巡检的精度和效率具有十分重要的意义。本文的主要研究内容和贡献点可以分为三个部分:(一)提出了一种双三次插值对齐的ROI池化方法(Bicubic Interpolation Align-based ROIPooling,BiaROIP)。针对ROI区域对应的基础卷积网络,利用双三次插值方法获取亚像素精度的卷积特征图,再通过固定数目的网格将亚像素精度的卷积特征图生成固定大小的特征,克服了现有ROI池化方法(ROIPooling,ROIP)存在的特征位置偏差问题,提高小目标的特征描述精度。针对输电线路巡检图像测试集进行实验,以VGG16作为特征提取网络,BiaROIP的mAP达到了 62.2%,与同等实验条件下的ROIP相比mAP提高了 9.4%。(二)提出了一种上下文级联的区域建议网络(Context Cascaded Region Proposal Network,CCRPN)。针对VGG16基础卷积网络,根据小目标与背景的上下文关系,构造一个级联的区域建议网络。其中,第一级RPN是在Conv5_3输出的特征图上检测和定位大尺度背景区域,第二级RPN是在第一级RPN检测出的大尺度背景区域对应的卷积特征图上进行小目标的检测和定位,增强小目标特征的表达能力。针对输电线路巡检图像测试集进行实验,CCRPN算法的mAP达到了 66.1%,与同等实验条件下的Faster R-CNN相比mAP提高了 5.3%。(三)提出了一种多层次卷积特征图拼接的融合方法(Multi-level Convolution Feature Concatenate-based Fusion,MCFCF)。针对 FPN 和 Faster R-CNN 的网络结构特点,分别设计了基于FPN的MCFCF变尺度多目标检测算法(FPN-MCFCF)和基于Faster R-CNN的MCFCF变尺度多目标检测算法(FR-MCFCF),提高检测模型对目标尺度变化的适应性。对于FPN-MCFCF算法,先将Top-down的第一层特征M5经双线性插值上采样后和Bottom-up的倒数第二层特征C4通过横向连接,经过特征拼接后构造多尺度卷积特征,再输入RPN进行目标区域检测。对于FR-MCFCF算法,将VGG16的Conv4和Conv5卷积特征图经特征拼接后,构造多尺度卷积特征,再输入RPN进行目标区域检测。针对输电线路巡检图像测试集进行实验,FPN-MCFCF算法和FR-MCFCF算法的mAP分别达到了 75.1%和65.7%,与同等实验条件下的FPN和 Faster-RCNN 相比,mAP分别提高了 0.8%和 2.8%。本文从卷积网络特征的ROI池化,目标与背景上下文的区域建议网络,和多层次卷积特征图拼接的融合方法三个方面,开展了变尺度多目标检测的算法研究和输电线路变尺度多目标的检测实验。实验结果表明,本文提出的方法提高了变尺度多目标的检测精度,可以满足输电线路变尺度多目标检测应用的要求。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TM75;TP183
【部分图文】：

（三）变尺度多目标。本文的变尺度多ｇ标指的是输电线路巡检图像数据集中不??同目标之间的尺度差异，主要表现为不同目标之间矩形框的长宽差异和面积差异等??（图１－２）。按照目标的尺度差异，可以将输电线路的关键部件划分为大目标（即电??塔和绝缘子）和小目标（即间隔棒、陡震锤、鸟巢和塔号牌等）。????（ｂ）??！￡￡■???（Ｃ）?（ｄ）???■二??６５?Ｘ?９３?１?；??Ｌ?ｆ?：?Ｉ?ｍ－＾ｌ??ＬｉＫ場！??（ｅ）?（ｆ）??图１－２输电线路巡检图像数据集。其中，图像大小均为４８００?ｘ?２７０４，图示的矩形框为人??工标注数据集的目标真实框，我们将目标的类别和矩形框的大小进行标注显示。可以看出数据??集中不同目标的尺度差异明显，比如（ａ）的电塔和塔号牌，电塔的面积为塔号牌的３１５倍、电塔??的宽为塔号牌的１７倍、电塔的高为塔号牌的１９倍，（ｂ）的电塔和鸟巢，（ｅ）的电塔和防震锤，（ｆ）??的电塔和间隔棒等，都表现为不同目标之间的长宽差异和面积差异。??２??

本文主要从以下三个方面开展了基于深度卷积网络的输电线路变尺度多目标检??测算法的研究，分别是卷积网络特征的ＲＯＩ池化，目标与背景上下文的区域建议网??络，和多层次卷积特征图拼接的融合方法（图１－３）。实验结果表明本文提出的方法??适用于输电线路的变尺度多目标检测任务，并取得了令人满意的检测效果。??基于深度卷积网络的输电线路变尺度多目标检测算法研究??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??图１－３本文的主要研究内容》??１．４本文的组织结构??本文一共包含穴章，每一章的具体研究内容如下：??第一章绪论。首先，介绍输电线路变尺度多目标检测住务的研宄背暈与意义。??然后，介绍目标检测算法和变尺度多目标检测箕法在国内外的发展状况，弁结合输电??线路目标识别任务的难点进行方法的小结。最后，简要介绍本文的主要研宄内容和章??节报告。??第二章，介绍基于深度卷积网络的目标检测算法。首先，介绍经典的一阶段目标??检测算法（ＳＳＤ）和两阶段目标检测算法（ＦａｓｔｅｒＲ－ＣＮＮ）。其次，详细介绍本文的输??电线路巡检图像数据集和ｉ■标检测的评价指标。紧接着

有利于检测精度的提禽。ＳＳＤ对这些改进的特征实现了端到端的训练，并且保证在??图像分辨率低的情况下，保持检测精度和速度的平衡。??如图２－２所示：，ＳＳＤ的主千网络结构是ＶＧＧ１６，将其２个全连．接层改成卷积层??再增加４个卷积层构造新的网络结构，弁且闻时采用浅层和深层特征图做预测。其??中，ＳＳＤ的默认框在不冋层的特征图有不问的尺度，在问一层特征图上又包含不冋??的比例，故基本上可以覆盖输入图像中的各种形状和大小的巨标。值得＾提的是ＳＳＤ??在经过匹配策略之后，大部分的默认框是负样本，容易造成正负样本之间不平衡；为??了克服ＩＨ负样本不平衡的问题，ＳＳＤ采用了困难样本挖掘的方法，将负样本按照得??分相卜序，选择得分高的默认框，强制将正负样本的比例控制在１：３。??入?１普??獻厫图?Ｒｅｓｉｚｅ?丨、，／?／?ｃ／）?Ｚ?Ｊ?检测＿??图２－２基于ＳＳＤ的目标检测框架
【相似文献】

相关期刊论文 前10条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报;1994年05期

5 赵宝康;李晋文;杨帆;刘佳豪;;一种基于深度学习的遥感图像目标检测算法[J];计算机工程与科学;2019年12期

6 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

7 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

8 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

9 邝熠;陶果;朱玉洁;蔡伟立;;基于深度学习的目标检测算法研究与应用[J];计算机产品与流通;2020年01期

10 丁业兵;;运动目标检测算法综述[J];科技资讯;2019年30期

相关博士学位论文 前10条

1 黄响;高速微弱目标检测算法研究[D];西安电子科技大学;2019年

2 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

3 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

4 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

5 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

6 潘雪莉;机载环视SAR海面特性和舰船目标检测算法研究[D];西安电子科技大学;2018年

7 陈宇环;联合时空特征的视觉显著目标检测算法研究[D];深圳大学;2018年

8 曾冬冬;视频监控中的前景目标检测算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

9 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

10 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

相关硕士学位论文 前10条

1 王楠;基于深度学习的舰船检测识别[D];哈尔滨工业大学;2019年

2 邹丹音;基于深度学习的目标检测算法FPGA实现[D];哈尔滨工业大学;2019年

3 王嘉宁;基于实时Linux的视频目标检测系统研究与实现[D];哈尔滨工业大学;2019年

4 万晨霞;基于卷积神经网络的道路多目标检测算法研究[D];河南工业大学;2019年

5 张宏斌;基于点云的三维目标检测算法研究与标注工具设计[D];哈尔滨工业大学;2019年

6 陈心圆;基于深度学习的目标检测优化技术的研究与实现[D];国防科技大学;2017年

7 宫婷;基于深度学习的图像目标检测算法的研究[D];沈阳航空航天大学;2019年

8 解静;基于深度学习的高光谱图像目标检测算法研究[D];西安电子科技大学;2019年

9 沈威;辣椒除杂系统总体设计及杂质识别算法研究[D];青岛大学;2019年

10 王立豪;基于深度学习的目标检测研究与实现[D];西安电子科技大学;2019年

本文编号：2879367