作為輸電線路視覺巡檢的一項關(guān)鍵技術(shù),目標(biāo)檢測與識別技術(shù)取得了突破性的進展,如今,深度學(xué)習(xí)已成為目標(biāo)檢測與識別的主流方法。然而在實際輸電線路視覺巡檢圖像中,防震錘、間隔棒、塔號牌和鳥巢等小目標(biāo)圖像區(qū)域面積和特征較少,導(dǎo)致Faster RCNN和SSD等經(jīng)典深度學(xué)習(xí)方法檢測精度低。因此,論文提出基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路小目標(biāo)檢測算法的研究課題,開展該項研究對提高輸電線路視覺巡檢的精度和效率具有重要的實用價值。論文主要做了以下幾項工作:首先,針對小目標(biāo)檢測任務(wù),提出了一種自適應(yīng)的目標(biāo)區(qū)域形態(tài)約束方法。采用k-means聚類方法對輸電線路巡檢圖像訓(xùn)練樣本集中目標(biāo)的尺度和歸一化長寬進行聚類分析,得到小目標(biāo)的尺度和縱橫比變化范圍作為RPN的參數(shù),提高了目標(biāo)檢測對尺度變化的適應(yīng)性。其次,針對小目標(biāo)區(qū)域特征分辨率低、描述精度差的問題,提出了基于上下文信息編碼網(wǎng)絡(luò)的小目標(biāo)檢測方法。該方法通過空洞卷積模塊來聚合多尺度上下文信息,反卷積模塊將中間層特征圖與頂層特征圖進行特征融合,將上下文逐漸編碼到后續(xù)特征圖中。試驗表明,該方法將小目標(biāo)的檢測mAP提高了6.70%。然后,針對小目標(biāo)區(qū)域特征可分性差的問題,提... 

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 選題背景和研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法
    2.1 引言
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
    2.3 基于k-means的目標(biāo)區(qū)域形態(tài)約束方法
    2.4 實驗數(shù)據(jù)集
    2.5 實驗結(jié)果與分析
    2.6 本章小結(jié)
3 基于上下文編碼網(wǎng)絡(luò)和顯著上下文的電力小部件檢測方法
    3.1 引言
    3.2 方法概述
    3.3 基于卷積-反卷積結(jié)構(gòu)的上下文信息編碼網(wǎng)絡(luò)
    3.4 基于顯著上下文提取的RoI Pooling算子
    3.5 實驗結(jié)果與分析
    3.6 本章小結(jié)
4 基于超分辨特征生成網(wǎng)絡(luò)的電力小部件檢測方法
    4.1 引言
    4.2 背景介紹
    4.3 基于生成對抗網(wǎng)絡(luò)的超分辨特征生成網(wǎng)絡(luò)
    4.4 超分辨特生成網(wǎng)絡(luò)損失函數(shù)
    4.5 實驗結(jié)果與分析
    4.6 本章小結(jié)
5 總結(jié)和展望
    5.1 本文主要工作
    5.2 工作展望
致謝
參考文獻
附錄:攻讀碩士期間發(fā)表的論文及參與科研項目



本文編號：3676233