隨著智能電網(wǎng)建設(shè)的快速發(fā)展,目標(biāo)檢測和識(shí)別已經(jīng)成為輸電線路巡檢的一種新的重要技術(shù)手段。然而由于間隔棒、防震錘、絕緣子、鳥巢、塔號(hào)牌以及電塔等線路關(guān)鍵部件尺度的多樣性變化,導(dǎo)致了現(xiàn)有的視覺巡檢系統(tǒng)對(duì)大目標(biāo)和小目標(biāo)的檢測精度不一致,即大目標(biāo)檢測精度高,小目標(biāo)檢測精度低。為此,開展基于深度卷積網(wǎng)絡(luò)的變尺度多目標(biāo)檢測算法研究,對(duì)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(xiàn)點(diǎn)可以分為三個(gè)部分:(一)提出了一種雙三次插值對(duì)齊的ROI池化方法(Bicubic Interpolation Align-based ROIPooling,BiaROIP)。針對(duì)ROI區(qū)域?qū)?yīng)的基礎(chǔ)卷積網(wǎng)絡(luò),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(biāo)的特征描述精度。針對(duì)輸電線路巡檢圖像測試集進(jìn)行實(shí)驗(yàn),以VGG16作為特征提取網(wǎng)絡(luò),BiaROIP的mAP達(dá)到了 62.2%,與同等實(shí)驗(yàn)條件下的ROIP相比mAP提高了 9.4%。(二)提出了一種上下文級(jí)聯(lián)的區(qū)域建議網(wǎng)絡(luò)(Context Cascaded Region Proposal Network,CCRPN)。針對(duì)VGG16基礎(chǔ)卷積網(wǎng)絡(luò),根據(jù)小目標(biāo)與背景的上下文關(guān)系,構(gòu)造一個(gè)級(jí)聯(lián)的區(qū)域建議網(wǎng)絡(luò)。其中,第一級(jí)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(jí)RPN是在第一級(jí)RPN檢測出的大尺度背景區(qū)域?qū)?yīng)的卷積特征圖上進(jìn)行小目標(biāo)的檢測和定位,增強(qiáng)小目標(biāo)特征的表達(dá)能力。針對(duì)輸電線路巡檢圖像測試集進(jìn)行實(shí)驗(yàn),CCRPN算法的mAP達(dá)到了 66.1%,與同等實(shí)驗(yàn)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(duì) FPN 和 Faster R-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn),分別設(shè)計(jì)了基于FPN的MCFCF變尺度多目標(biāo)檢測算法(FPN-MCFCF)和基于Faster R-CNN的MCFCF變尺度多目標(biāo)檢測算法(FR-MCFCF),提高檢測模型對(duì)目標(biāo)尺度變化的適應(yīng)性。對(duì)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(gòu)造多尺度卷積特征,再輸入RPN進(jìn)行目標(biāo)區(qū)域檢測。對(duì)于FR-MCFCF算法,將VGG16的Conv4和Conv5卷積特征圖經(jīng)特征拼接后,構(gòu)造多尺度卷積特征,再輸入RPN進(jìn)行目標(biāo)區(qū)域檢測。針對(duì)輸電線路巡檢圖像測試集進(jìn)行實(shí)驗(yàn),FPN-MCFCF算法和FR-MCFCF算法的mAP分別達(dá)到了 75.1%和65.7%,與同等實(shí)驗(yàn)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(luò)特征的ROI池化,目標(biāo)與背景上下文的區(qū)域建議網(wǎng)絡(luò),和多層次卷積特征圖拼接的融合方法三個(gè)方面,開展了變尺度多目標(biāo)檢測的算法研究和輸電線路變尺度多目標(biāo)的檢測實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本文提出的方法提高了變尺度多目標(biāo)的檢測精度,可以滿足輸電線路變尺度多目標(biāo)檢測應(yīng)用的要求。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TM75;TP183
【部分圖文】：

（三）變尺度多目標(biāo)。本文的變尺度多ｇ標(biāo)指的是輸電線路巡檢圖像數(shù)據(jù)集中不??同目標(biāo)之間的尺度差異，主要表現(xiàn)為不同目標(biāo)之間矩形框的長寬差異和面積差異等??（圖１－２）。按照目標(biāo)的尺度差異，可以將輸電線路的關(guān)鍵部件劃分為大目標(biāo)（即電??塔和絕緣子）和小目標(biāo)（即間隔棒、陡震錘、鳥巢和塔號(hào)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?yàn)槿??工標(biāo)注數(shù)據(jù)集的目標(biāo)真實(shí)框，我們將目標(biāo)的類別和矩形框的大小進(jìn)行標(biāo)注顯示�？梢钥闯鰯�(shù)據(jù)??集中不同目標(biāo)的尺度差異明顯，比如（ａ）的電塔和塔號(hào)牌，電塔的面積為塔號(hào)牌的３１５倍、電塔??的寬為塔號(hào)牌的１７倍、電塔的高為塔號(hào)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(biāo)之間的長寬差異和面積差異。??２??

本文主要從以下三個(gè)方面開展了基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)檢??測算法的研究，分別是卷積網(wǎng)絡(luò)特征的ＲＯＩ池化，目標(biāo)與背景上下文的區(qū)域建議網(wǎng)??絡(luò)，和多層次卷積特征圖拼接的融合方法（圖１－３）。實(shí)驗(yàn)結(jié)果表明本文提出的方法??適用于輸電線路的變尺度多目標(biāo)檢測任務(wù)，并取得了令人滿意的檢測效果。??基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)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(jié)構(gòu)??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(biāo)檢測住務(wù)的研宄背暈與意義。??然后，介紹目標(biāo)檢測算法和變尺度多目標(biāo)檢測箕法在國內(nèi)外的發(fā)展?fàn)顩r，弁結(jié)合輸電??線路目標(biāo)識(shí)別任務(wù)的難點(diǎn)進(jìn)行方法的小結(jié)。最后，簡要介紹本文的主要研宄內(nèi)容和章??節(jié)報(bào)告。??第二章，介紹基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測算法。首先，介紹經(jīng)典的一階段目標(biāo)??檢測算法（ＳＳＤ）和兩階段目標(biāo)檢測算法（ＦａｓｔｅｒＲ－ＣＮＮ）。其次，詳細(xì)介紹本文的輸??電線路巡檢圖像數(shù)據(jù)集和ｉ■標(biāo)檢測的評(píng)價(jià)指標(biāo)。緊接著

有利于檢測精度的提禽。ＳＳＤ對(duì)這些改進(jìn)的特征實(shí)現(xiàn)了端到端的訓(xùn)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(luò)結(jié)構(gòu)是ＶＧＧ１６，將其２個(gè)全連．接層改成卷積層??再增加４個(gè)卷積層構(gòu)造新的網(wǎng)絡(luò)結(jié)構(gòu)，弁且聞時(shí)采用淺層和深層特征圖做預(yù)測。其??中，ＳＳＤ的默認(rèn)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(biāo)。值得＾提的是ＳＳＤ??在經(jīng)過匹配策略之后，大部分的默認(rèn)框是負(fù)樣本，容易造成正負(fù)樣本之間不平衡；為??了克服ＩＨ負(fù)樣本不平衡的問題，ＳＳＤ采用了困難樣本挖掘的方法，將負(fù)樣本按照得??分相卜序，選擇得分高的默認(rèn)框，強(qiáng)制將正負(fù)樣本的比例控制在１：３。??入?１普??獻(xiàn)厫圖?Ｒｅｓｉｚｅ?丨、，／?／?ｃ／）?Ｚ?Ｊ?檢測＿??圖２－２基于ＳＳＤ的目標(biāo)檢測框架
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測算法[J];軟件導(dǎo)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(biāo)檢測算法[J];機(jī)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(biāo)檢測算法分析[J];測繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(bào);1994年05期

5 趙寶康;李晉文;楊帆;劉佳豪;;一種基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測算法[J];計(jì)算機(jī)工程與科學(xué);2019年12期

6 許云;李彬;;基于背景遺傳模型的運(yùn)動(dòng)目標(biāo)檢測算法[J];自動(dòng)化技術(shù)與應(yīng)用;2017年03期

7 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

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

9 鄺熠;陶果;朱玉潔;蔡偉立;;基于深度學(xué)習(xí)的目標(biāo)檢測算法研究與應(yīng)用[J];計(jì)算機(jī)產(chǎn)品與流通;2020年01期

10 丁業(yè)兵;;運(yùn)動(dòng)目標(biāo)檢測算法綜述[J];科技資訊;2019年30期

相關(guān)博士學(xué)位論文 前10條

1 黃響;高速微弱目標(biāo)檢測算法研究[D];西安電子科技大學(xué);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(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2018年

3 趙紅燕;被動(dòng)多基站雷達(dá)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

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

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

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

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

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

9 王志虎;基于顯著性的運(yùn)動(dòng)目標(biāo)檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

10 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王楠;基于深度學(xué)習(xí)的艦船檢測識(shí)別[D];哈爾濱工業(yè)大學(xué);2019年

2 鄒丹音;基于深度學(xué)習(xí)的目標(biāo)檢測算法FPGA實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2019年

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

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

5 張宏斌;基于點(diǎn)云的三維目標(biāo)檢測算法研究與標(biāo)注工具設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2019年

6 陳心圓;基于深度學(xué)習(xí)的目標(biāo)檢測優(yōu)化技術(shù)的研究與實(shí)現(xiàn)[D];國防科技大學(xué);2017年

7 宮婷;基于深度學(xué)習(xí)的圖像目標(biāo)檢測算法的研究[D];沈陽航空航天大學(xué);2019年

8 解靜;基于深度學(xué)習(xí)的高光譜圖像目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2019年

9 沈威;辣椒除雜系統(tǒng)總體設(shè)計(jì)及雜質(zhì)識(shí)別算法研究[D];青島大學(xué);2019年

10 王立豪;基于深度學(xué)習(xí)的目標(biāo)檢測研究與實(shí)現(xiàn)[D];西安電子科技大學(xué);2019年

本文編號(hào)：2879367