近年来,在城镇化进程不断加快的同时,土地资源变得紧缺。经济发展的同时,违法占地、违法建筑的现象也逐年递增。针对土地违法发现难的现实情况,本文致力于巡查车移动过程中可变形施工机械的实时检测技术研究。主要研究内容如下:(1)提出了一种基于HOG特征的深度学习图像数据集快速标注算法。基于高斯混合模型获得待标注目标的位置信息,基于Mean Shift算法对目标的HOG特征聚类获得目标类别,得到挖掘机样本弱分类器。后续采用弱分类器获得的带标签样本训练可变形部件模型,实现无标签图片数据的自动标注,开发人工微调数据标定软件用于部分标注样本的位置修正。实验结果表明,该方案能快速完成目标检测任务中图像数据集的标注工作,人工标注1000张图片大概需要60分钟,而本文算法加上人工微调大概能在10分钟内完成标注工作,有效降低获取带标签数据集的人工成本,提高深度学习中获取带标签样本的效率。(2)提出了一种基于多尺度特征图跳跃融合的多视角SSD改进算法。针对SSD算法对小目标检测效果差的问题,通过多尺度预测特征图层间跳跃连接进行特征融合,提高模型对小目标的敏感性和感知度,同时提升了模型总体检测性能。针对快速视角变化造成可变形施工机械识别精度下降的问题,采用多视角多分类策略,实现了高动态场景下可变形施工机械的精准检测。实验证明本文算法在小目标的检测和高动态场景挖掘机的检测上取得了较好的效果,在挖掘机数据集上mAP由原来的90.6%提升至96.9%。(3)构建了一个结合目标跟踪的可变形施工机械实时检测系统。基于KCF跟踪器融合SKIPSSD目标检测算法,构建出稳定可靠的可变形施工机械实时检测-跟踪系统。实验证明本文检测跟踪系统的检测时间是仅采用SKIPSSD检测模型的1/3或更少,且图像分辨率越高,速度提升越显著。本文构建的检测-跟踪系统利用目标检测弥补了传统KCF算法在目标丢失后无法重新锁定的缺陷,利用目标跟踪的连续性和高实时性降低漏检率,提升了检测速度,实现了巡查车对可变形施工机械的在线检测。