随着时代的高速发展,越来越多的信息充斥着人类的工作和生活,从图像或视频中智能化获取有效信息的需求急剧增加。目标检测是获取信息的重要手段之一,在视频图像分析、地域搜索航拍、农业实时检测、医疗影像研究、车辆安全监管等领域具有普遍应用。本文着重解析了目标检测中的一类深度学习模型—Mask R-CNN,深入分析了其通用模型的基本模块和工作机理。将理论知识与实际相结合,讨论了模型在特定场景下的应用。本文以电力施工场景目标检测作为应用实例,在Mask R-CNN通用模型基础上,设计了电力施工场景多目标检测系统方案,围绕安全帽、人员、文本等检测任务展开研究。本文具体研究工作如下:(1)分析了Mask R-CNN模型的基本模块与工作机理,建立了Mask R-CNN目标检测通用模型,获取预训练权重。将理论知识与电力施工场景目标检测需求相结合,依据不同的检测任务采用不同迁移学习策略,在预训练权重基础上对Mask R-CNN主干网络进行参数初始化改进。针对安全帽和人员检测、文本检测两个不同检测任务,设计了电力施工场景多目标检测系统方案。(2)在安全帽和人员检测过程中,针对复杂背景下图像目标过小、尺寸不一的问题,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验,最终多目标平均准确率达到最高。在离线视频检测模块中,针对视频质量过差的问题,将检测视频做锐化处理,达到图像增强的目的,准确率有很大提升,说明了本文结构加强了提取特征的能力。(3)在文本检测过程中,针对电力施工场景文字间隔大等问题,本文引入注意力机制进行显著性计算和分析,将通道注意力与特征金字塔结构相结合构成金字塔通道注意力机制,通过实验证明相比于直接利用特征金字塔网络,本文设计的金字塔通道注意力机制具有更好特征表达能力,在调和平均数、精确度和召回率各指标上都有所提升。