地球信息科学学报 ›› 2017, Vol. 19 ›› Issue (2): 256-263.doi: 10.3724/SP.J.1047.2017.00256
王万国1,2(), 田兵3, 刘越1,2, 刘俍1,2, 李建祥1,2
收稿日期:
2016-03-17
修回日期:
2016-06-21
出版日期:
2017-02-28
发布日期:
2017-02-17
作者简介:
作者简介:王万国(1984-),男,硕士,中级工程师,主要从事基于数字图像的变电站和输电线路设备识别、目标跟踪、图像去雾等研究。E-mail:
基金资助:
WANG Wanguo1,2,*(), TIAN Bing3, LIU Yue1,2, LIU Liang1,2, LI Jianxiang1,2
Received:
2016-03-17
Revised:
2016-06-21
Online:
2017-02-28
Published:
2017-02-17
Contact:
WANG Wanguo
E-mail:wangwanguo03@qq.com
摘要:
随着无人机(UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络(CNN)在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。
王万国, 田兵, 刘越, 刘俍, 李建祥. 基于RCNN的无人机巡检图像电力小部件识别研究[J]. 地球信息科学学报, 2017, 19(2): 256-263.DOI:10.3724/SP.J.1047.2017.00256
WANG Wanguo,TIAN Bing,LIU Yue,LIU Liang,LI Jianxiang. Study on the Electrical Devices Detection in UAV Images based on RegionBased Convolutional Neural Networks[J]. Journal of Geo-information Science, 2017, 19(2): 256-263.DOI:10.3724/SP.J.1047.2017.00256
表1
不同dropout比例对mAP影响"
dropout比例 | 最大迭代次数 | 区域提议阶段批尺寸 | 检测阶段批尺寸 | nms前候选区域个数 | nms后候选区域个数 | mAP |
---|---|---|---|---|---|---|
0.2 | 8000 | 256 | 128 | 2000 | 300 | 0.827 |
0.3 | 8000 | 256 | 128 | 2000 | 300 | 0.811 |
0.4 | 8000 | 256 | 128 | 2000 | 300 | 0.817 |
0.5 | 8000 | 256 | 128 | 2000 | 300 | 0.791 |
0.6 | 8000 | 256 | 128 | 2000 | 300 | 0.829 |
0.7 | 8000 | 256 | 128 | 2000 | 300 | 0.781 |
0.8 | 8000 | 256 | 128 | 2000 | 300 | 0.775 |
[1] | 苑津莎,崔克彬,李宝树.基于ASIFT算法的绝缘子视频图像的识别与定位[J].电测与仪表,2015,7(7):106-112. |
[ Yuan J S, Cui K B, Li B S.Identification and location of insulator video images based on ASIFT algorithm[J]. Electrical Measure and Instrumentation, 2015,7(7):106-112. ] | |
[2] | 吴庆岗. 复杂背景输电线图像中部件边缘提取算法研究[D].大连:大连海事大学,2012. |
[ Wu Q G.Study on the algorithm for edge extraction of components in power line images with complex backgrounds[D]. Dalian: Dalian Maritime University, 2012. ] | |
[3] |
金立军,胡娟,闫书佳.基于图像的高压输电线间隔棒故障诊断方法[J].高电压技术,2013,39(5):1040-1045.
doi: 10.3969/j.issn.1003-6520.2013.05.003 |
[ Jin L J, Hu J, Yan S J.Method of spacer fault diagnose on transmission line based on image process[J]. High Voltage Engineering, 2013,39(5):1040-1045. ]
doi: 10.3969/j.issn.1003-6520.2013.05.003 |
|
[4] | 曹婧. 航拍输电线路图像中绝缘子部件的提取[D].大连:大连海事大学,2012. |
[ Cao J.Insulators extraction in aerial image of inspecting transmission line[D]. Dalian: Dalian Maritime University, 2012. ] | |
[5] |
Arbelaez P, Maire M, Fowlkes C C, et al.Contour detection and hierarchical image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011,33(5):898-916.
doi: 10.1109/TPAMI.2010.161 |
[6] | Girshick R, Donahue J, Darrell T, et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]. Computer Vision and Pattern Recognition, 2014. |
[7] |
Uijlings J, De Sande K E, Gevers T, et al. Selective search for object recognition[J]. International Journal of Computer Vision, 2013,104(2):154-171.
doi: 10.1007/s11263-013-0620-5 |
[8] | Girshick R, Iandola F, Darrell T, et al.Deformable part models are convolutional neural networks[C]. Computer Vision and Pattern Recognition, 2015. |
[9] | Girshick R, Donahue J, Darrell T, et al.Region-based convolutional networks for accurate object detection and segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016,38(1):142-158. |
[10] |
He K, Zhang X, Ren S, et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015,37(9):1904-1916.
doi: 10.1016/j.patcog.2015.11.005 |
[11] | Ren S, He K, Girshick R, et al.Faster R-CNN: Towards real-time object detection with region proposal networks[C]. Neural Information Processing Systems, 2015. |
[12] | Felzenszwalb P F, Girshick R, Mcallester D, et al.Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010,32(9):1627-1645. |
[13] | Girshick R.Fast R-CNN[C]. International Conference on Computer Vision, 2015. |
[14] |
Zeiler M D, Fergus R.Visualizing and understanding convolutional networks[J]. Springer International Publishing, 2014,8689:818-833.
doi: 10.1007/978-3-319-10590-1_53 |
[15] | Simonyan K, Zisserman A.Very Deep Convolutional networks for large-scale image recognition[C]. International Conferenceon on Learning Representations, 2015. |
[16] |
Neubeck A, Van Gool L.Efficient non-maximum suppression[J]. International Conference on Pattern Recognition, 2006,3:850-855.
doi: 10.1109/ICPR.2006.479 |
[17] | Bottou L.Large-scale machine learning with stochastic gradient descent[M]. Proceedings of COMPSTAT 2010. USA: Physica-Verlag HD, 2010:177-186. |
[1] | 陈昂, 杨秀春, 徐斌, 金云翔, 张文博, 郭剑, 邢晓语, 杨东. 基于面向对象与深度学习的榆树疏林识别方法研究[J]. 地球信息科学学报, 2020, 22(9): 1897-1909. |
[2] | 崔成, 任红艳, 赵璐, 庄大方. 基于街景影像多特征融合的广州市越秀区街道空间品质评估[J]. 地球信息科学学报, 2020, 22(6): 1330-1338. |
[3] | 毛文山, 赵红莉, 孙凤娇, 蒋云钟, 姜倩, 朱彦儒. 基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究[J]. 地球信息科学学报, 2020, 22(11): 2128-2139. |
[4] | 郭子慧, 刘伟. 深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法[J]. 地球信息科学学报, 2020, 22(10): 2051-2061. |
[5] | 宋关福, 卢浩, 王晨亮, 胡辰璞, 黄科佳. 人工智能GIS软件技术体系初探[J]. 地球信息科学学报, 2020, 22(1): 76-87. |
[6] | 范红超, 李万志, 章超权. 基于Anchor-free的交通标志检测[J]. 地球信息科学学报, 2020, 22(1): 88-99. |
[7] | 蔡博文,王树根,王磊,邵振峰. 基于深度学习模型的城市高分辨率遥感影像 不透水面提取[J]. 地球信息科学学报, 2019, 21(9): 1420-1429. |
[8] | 刘淑涵, 王艳东, 付小康. 利用卷积神经网络提取微博中的暴雨灾害信息[J]. 地球信息科学学报, 2019, 21(7): 1009-1017. |
[9] | 蔡惠慧, 朱伟, 李孜轩, 刘园园, 李龙斌, 刘畅. 基于深度学习的钨钼找矿靶区预测方法研究[J]. 地球信息科学学报, 2019, 21(6): 928-936. |
[10] | 方颖, 李连发. 基于机器学习的高精度高分辨率气象因子时空估计[J]. 地球信息科学学报, 2019, 21(6): 799-813. |
[11] | 张刚, 刘文彬, 张男. 基于区域特征分割的密集匹配点云渐进形态学滤波[J]. 地球信息科学学报, 2019, 21(4): 615-622. |
[12] | 姚尧, 任书良, 王君毅, 关庆锋. 卷积神经网络和随机森林的城市房价微观尺度制图方法[J]. 地球信息科学学报, 2019, 21(2): 168-177. |
[13] | 刘懿兰, 黄晓霞, 李红旮, 柳泽, 陈崇, 王新歌. 基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物[J]. 地球信息科学学报, 2019, 21(2): 259-268. |
[14] | 刘浩, 骆剑承, 黄波, 杨海平, 胡晓东, 徐楠, 夏列钢. 基于特征压缩激活Unet网络的建筑物提取[J]. 地球信息科学学报, 2019, 21(11): 1779-1789. |
[15] | 张丽英, 裴韬, 陈宜金, 宋辞, 刘小茜. 基于街景图像的城市环境评价研究综述[J]. 地球信息科学学报, 2019, 21(1): 46-58. |
|