论文部分内容阅读
近几年来,随着国家高速铁路和输电线路总里程数的迅速增加,以往依靠人工实现输电线路上鸟巢等异物和重要部件的检测方式已经对人力物力的投入造成了巨大的挑战,并且很难保证检测结果的及时性和准确性。因此随着智能铁路和智能电网的提出,采用基于无人机的航拍图像目标检测技术实现对输电线路上鸟巢等异物和重要部件的自动检测已经成为未来电力巡检发展的必然趋势。本文以卷积神经网络为基础,对基于改进Faster R-CNN的无人机航拍图像多尺度小目标检测算法进行了研究。主要工作及创新点如下:首先,通过简要对比VGG、Inception和ResNet三种基础网络并选取性价比最高的ResNet50作为本文网络模型的基础网络。在此基础上,重点研究了基于Faster R-CNN目标检测算法的实现原理,并通过具体分析航拍图像小目标的尺度后发现了 Faster R-CNN在小目标检测上的主要缺陷。然后,针对Faster R-CNN在小目标检测上的主要缺陷,对基于Faster R-CNN的目标检测算法进行了多方面的改进。通过对RPN网络的改进解决了因初始建议框设计不合理导致无法召回小目标的问题。通过采用RoIAlign的池化算法避免了使用RoI Pooling池化算法造成的连续两次量化误差,提高了目标建议区域特征的池化精度。通过对目标建议框特征映射层ResNet4f采用反卷积操作,既增加了该层特征图的分辨率,又融合了高层卷积特征图的语义信息,从而显著提高了网络对航拍图像小目标的检测精度。另外,通过使用全局平均池化替代全连接的方式实现了对网络检测速度的明显提升。最终分别在航拍图像鸟巢测试集和VOC2007测试集上验证了本文提出的多种改进网络设计方法的合理性和有效性。其次,为了进一步提高改进网络模型对航拍图像多尺度小目标的检测精度,分别采用增加网络宽度的方法和嵌入SE模块的方法对ResNet50网络结构进行了改进。最终分别在航拍图像鸟巢测试集和VOC2007测试集上进行了实验验证,实验结果表明,两种设计方法可以达到显著提升先前改进网络模型检测精度的作用。最后,搭建了深度学习Tensorflow实验平台,并在此平台基础上设计并开发了航拍图像目标检测实验平台交互界面,实现了对航拍图像目标检测的可视化操作,同时提供了文本调用接口。