随着便携式摄像机与红外热像仪等产品的普及,以及无人机与巡检机器人等技术的快速发展,图像已成为智能电网中承载和传递信息的重要渠道。现代社会在享受图像所带来便利的同时,如何利用计算机智能地感知与理解这些海量的视觉数据却面临着诸多挑战。人类视觉注意力机制能够帮助人类迅速、准确地捕捉图像中突出的或感兴趣的区域,并潜意识地过滤不感兴趣的内容,而视觉显著目标检测旨在模拟人类的这种视觉感知能力,以便后续视觉任务聚焦于图像重要区域的加工,避免对无关视觉信息的处理以提高计算效率和节省计算资源。为了使视觉显著目标检测技术更好地服务于其它视觉任务以及实现更广泛的应用场景,开发出能够适用于复杂自然场景的精确检测模型是当前计算机视觉领域亟待研究的重要课题之一。本文围绕视觉显著目标检测开展研究工作,探索传播模型和深度学习两方面关键技术,致力于精确鲁棒的检测方法。此外,考虑到近年来我国大力推动智能电网的建设工作,利用前沿的计算机视觉技术实现智能化运检已逐渐成为现代化电网建设的重要一环,因此本文还将进一步探索所设计的深度显著性模型在电力系统场景中的应用价值。具体研究内容如下:1.针对已有基于背景先验的标签传播方法的不足,提出了一种基于网页排名和局部样条回归的显著性检测方法。通过构建基于多种图像特征融合的二尺度图模型,以探索不同图模型尺度下的显著性以及显著性融合策略。在图模型的基础上,利用网页排名算法对边界背景先验信息进行显著性信息的传播,从而生成初步的显著性图。根据两个图模型下的显著性结果筛选出更鲁棒的背景节点和前景节点,再利用局部样条回归进一步增强显著性区域。实验结果表明该方法比大多数主流的传统无监督方法更具优势。2.为了克服传统方法中手工特征的缺陷,提出了一种基于多尺度深度编码器-解码器网络的显著目标检测方法。考虑到基于手工特征的传统方法无法较好地表征图像语义信息,该方法采用了具有提取高级语义特征能力的深度卷积神经网络进行检测模型的设计。由于早期的深度显著性模型不能准确地分割显著目标的边界区域,该方法提出了一种端到端的深度编码器-解码器网络,以由粗到细的方式生成细粒度的显著性图。为了引导深度模型对关键特征的学习,设计了一种语义信息指导模块以防编码器深度特征的稀释。另外,该方法对输入图像进行多尺度变换,提高了深度模型的多尺度特征提取能力。实验结果表明所设计方法的性能优于11种主流的显著目标检测方法。3.为了进一步提高深度卷积神经网络的特征提取能力,提出了一种融合局部和全局上下文的显著目标检测方法。该方法设计了一种上下文感知的空间注意力模块,这有助于各个像素点自适应地收集它的上下文信息。通过将该模块嵌入至深度卷积神经网络,计算每个像素点的专属权重图以衡量上下文范围内各空间位置的重要性,从而有效地加强了同类别像素点之间的信息传递并免于测地距离的束缚。此外,该深度显著性模型还从局部注意力和全局注意力两方面充分地融合多尺度语境信息,以优势互补的方式进一步提升其检测性能。实验结果验证了所提方法的优越性,其性能达到了先进水平。4.将本文所设计的基于深度学习的显著目标检测方法应用于多种电力系统场景。这些电力视觉任务包括输电线路绝缘子分割、变电站可通行区域检测、以及电力场景下烟雾检测。首先收集特定电力场景下的图像以构成一定规模的图像数据集,再进行像素级的人工标注,最后对深度显著性模型进行训练优化以及性能评估。实验结果表明视觉显著目标检测能够很好地迁移至电力视觉任务,在未来具有潜在的应用前景。