基于深度监督神经网络的输电线路关键目标检测研究

摘要

输电线路场景下，防震锤、绝缘子、导线等关键设备的损坏间接影响供电系统的正常稳定运行。定期巡检输电线路，可以有效的避免供电系统故障。如今通常采用无人机巡检输电线路，并拍下输电线路场景下的巡线图像，最后人工查看巡线图像中的缺陷。因此，为了提高输电线目标缺陷检查效率，需要研究输电线关键目标检测，实现目标的快速定位，最终提高输电线路巡检工作效率。　　在输电线关键目标检测研究过程中，以手工特征为主的传统目标检测方法，只能针对特定类型并且具有易区分特征的目标，其鲁棒性较差。当前主流的基于深度神经网络的目标检测算法弥补了传统目标检测方法的不足之处，提高目标检测算法的鲁棒性。然而，在输电线路关键目标检测的研究中，使用深度监督神经网络仍存在以下问题：第一，缺少足够的训练数据；第二，网络浅层特征表达未有效利用；第三，目标空间定位不准确。因此，本文主要以解决以上3个问题作为研究出发点，并完成的主要工作如下：　　①参考VOC官方标注指导文件，构建了包含23024个输电线路关键目标的巡线图像数据集。提出了利用PCA扰动和透视变换的巡线图像数据扩充方案，以及提出了对应目标标注位置转换算法，解决了缺少训练数据的问题。　　②受特征金字塔FPN以及多层卷积特征融合网络的启发，结合残差块，提出了浅层残差投影结构，从而提升了卷积神经网络CNN对输电线关键目标的高分辨率特征表达能力，尤其有利于提升小尺寸目标的检测性能。　　③针对Faster R-CNN的区域建议网络RPN，提出了适用于巡线图像数据集的参数微调辅助优化策略，微调了区域建议网络RPN中的锚框参数以及正负样本训练比例参数，技巧性的提升输电线关键目标检测算法性能。　　④研究了用于定位位置修正的IoU损失函数，存在网络参数无法优化的不足之处，针对IoU损失函数的不足之处，提出了IoUC损失函数，解决了网络训练过程中参数无法学习的问题。　　本文将扩充后的巡线图像数据集，浅层残差投影结构的CNN网络，微调区域建议网络RPN参数，以及IoUC定位损失函数，分别融入Faster R-CNN进行对比实验，发现导线，绝缘子，防震锤的检测平均精度mAP都有所提升。融合所有方法的输电线关键目标检测平均精度mAP提升了69.7%。

目录

1 绪 论

1.1 课题背景及研究意义

1.2 目标检测的技术发展

1.2.1 传统目标检测技术发展

1.2.2 基于深度神经网络的目标检测技术发展

1.3 输电线路目标检测研究现状

1.3.1 传统目标检测方法研究现状

1.3.2 深度监督神经网络方法研究现状

1.4 Faster R-CNN算法概述

1.4.1 网络主干

1.4.2 区域提取RPN 网络

1.4.3 R-CNN 网络

1.4.4 损失函数

1.4.5 目标检测性能度量

1.4.6 Faster R-CNN 结构

1.5 本文的内容安排

1.5.1 本文的研究内容

1.5.2 本文的组织安排

2 有监督学习中标签数据集扩展

2.1 引言

2.2 标签数据集构建与分析

2.2.1 数据集构建

2.2.2 数据集分析

2.3 基于PCA扰动的数据集扩充

2.3.1 PCA扰动算法

2.3.2 PCA扰动效果展示

2.4 基于透视变换的数据集扩充

2.4.1 透视变换算法

2.4.2 透视变换效果展示

2.4.3 数据集标签对齐

2.5 本章小结

3 基于深度监督学习的对象特征表达

3.1 引言

3.2 基于网络深层特征表达的研究

3.2.1 FPN 网络结构

3.2.2 多层卷积特征融合网络

3.3 基于网络浅层特征表达的研究

3.3.1 残差块介绍

3.3.2 浅层残差投影

3.4 本章小结

4 输电线路关键目标检测与优化策略

4.1 引言

4.2 RPN网络特征提取优化

4.3 正负样本均衡策略

4.4 IoUC损失函数微调优化

4.4.1 IoU 损失函数

4.4.2 IoUC 损失函数

4.5 实现与训练细节

4.5.1 训练工作准备

4.5.2 实验归类部分

4.6 实验结果与分析

4.6.1 数据驱动的输电线关键目标检测实验

4.6.2 网络特征表达驱动的输电线关键目标检测实验

4.6.3 参数微调驱动的输电线关键目标检测实验

4.6.4 融合所有方法的输电线关键目标检测实验

4.7 本章小结

5 总结与展望

5.1 工作总结

5.2 研究展望

参考文献

附 录

A. 作者在攻读学位期间发表的论文目录

B. 作者在攻读学位期间取得的科研成果目录

C. 作者在攻读学位期间参加的科研项目

D. 学位论文数据集

致谢