基于改进Faster RCNN的小尺度入侵目标识别及定位

为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法.该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定位框的坐标以实现像素级别的精确定位.使用采集的变电站监控图像对模型进行训练,得到适应小尺寸异物的改进Faster RCNN检测模型.通过对比实验结果表明,所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性,具备一定的工程实用价值....

Full description

Saved in:
Bibliographic Details
Published in中国电力 Vol. 54; no. 3; pp. 38 - 44
Main Authors 马静怡, 崔昊杨, 张明达, 孙益辉, 许永鹏
Format Magazine Article
LanguageChinese
Published 上海电力大学 电子与信息工程学院,上海 200090%国网浙江省电力公司奉化供电有限公司,浙江 宁波 315500%上海交通大学 电气工程系,上海 200240 01.03.2021
Subjects
FasterRCNN
双线性插值
小目标检测
卷积神经网络
深度学习
Online AccessGet full text
ISSN1004-9649
DOI10.11930/j.issn.1004-9649.202006190

Cover

More Information
Summary:为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法.该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定位框的坐标以实现像素级别的精确定位.使用采集的变电站监控图像对模型进行训练,得到适应小尺寸异物的改进Faster RCNN检测模型.通过对比实验结果表明,所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性,具备一定的工程实用价值.
ISSN:1004-9649
DOI:10.11930/j.issn.1004-9649.202006190