基于卷积神经网络的输电线路小目标检测算法研究

发布时间：2022-08-12 16:42

　　作为输电线路视觉巡检的一项关键技术,目标检测与识别技术取得了突破性的进展,如今,深度学习已成为目标检测与识别的主流方法。然而在实际输电线路视觉巡检图像中,防震锤、间隔棒、塔号牌和鸟巢等小目标图像区域面积和特征较少,导致Faster RCNN和SSD等经典深度学习方法检测精度低。因此,论文提出基于卷积神经网络的输电线路小目标检测算法的研究课题,开展该项研究对提高输电线路视觉巡检的精度和效率具有重要的实用价值。论文主要做了以下几项工作:首先,针对小目标检测任务,提出了一种自适应的目标区域形态约束方法。采用k-means聚类方法对输电线路巡检图像训练样本集中目标的尺度和归一化长宽进行聚类分析,得到小目标的尺度和纵横比变化范围作为RPN的参数,提高了目标检测对尺度变化的适应性。其次,针对小目标区域特征分辨率低、描述精度差的问题,提出了基于上下文信息编码网络的小目标检测方法。该方法通过空洞卷积模块来聚合多尺度上下文信息,反卷积模块将中间层特征图与顶层特征图进行特征融合,将上下文逐渐编码到后续特征图中。试验表明,该方法将小目标的检测mAP提高了6.70%。然后,针对小目标区域特征可分性差的问题,提... 

【文章页数】：90 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 选题背景和研究意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文组织结构
2 基于卷积神经网络的目标检测方法
    2.1 引言
    2.2 基于卷积神经网络的目标检测算法
    2.3 基于k-means的目标区域形态约束方法
    2.4 实验数据集
    2.5 实验结果与分析
    2.6 本章小结
3 基于上下文编码网络和显著上下文的电力小部件检测方法
    3.1 引言
    3.2 方法概述
    3.3 基于卷积-反卷积结构的上下文信息编码网络
    3.4 基于显著上下文提取的RoI Pooling算子
    3.5 实验结果与分析
    3.6 本章小结
4 基于超分辨特征生成网络的电力小部件检测方法
    4.1 引言
    4.2 背景介绍
    4.3 基于生成对抗网络的超分辨特征生成网络
    4.4 超分辨特生成网络损失函数
    4.5 实验结果与分析
    4.6 本章小结
5 总结和展望
    5.1 本文主要工作
    5.2 工作展望
致谢
参考文献
附录:攻读硕士期间发表的论文及参与科研项目



本文编号：3676233