基于改进型Cascade Mask R-CNN的架空输电线路多目标识别算法的研究

摘要

近几年来,国网架空输电线路巡检人员依托于巡检无人机、巡检机器人等智能巡检设备,获取了海量的图像和视频信息,巡检图片判断的工作量越来越大,同时因个人技能、经验等方面的差异,可能导致基于巡检图片对于设备缺陷和隐患分析不满足要求。为了对获取的信息进行快速而准确的分析和处理,本文借助公司在电力线路巡检方面积累的丰富图像,将Cascade Mask R-CNN智能识别算法在原有基础上进行改进,使用了ResNet101+FPN的方式来提升算法对于小目标的识别能力,并且将IoU Loss替换为DIoU Loss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化,减小正负样本不平衡带来的误差,增强了对远景目标的检测;同时搭建了深度学习TensorFlow实验平台,并在该平台基础上设计并开发了巡检图像目标检测实验平台交互界面,实现了对巡检图像目标检测的可视化操作。