论文部分内容阅读
作为目标检测的后置处理算法,非极大值抑制(Non-Maximum Suppression,NMS)算法被用于移除多余的检测框。然而,NMS算法在每轮迭代中抑制所有与预选取检测框Intersection-over-Union(IoU)值大于给定阈值的检测框,容易造成目标的漏检和误检。此外,阈值的选取对整个算法的效果有着至关重要的影响。针对这个问题,本文提出了改进的NMS算法,分别为分段比例惩罚因子NMS算法和连续比例惩罚因子NMS算法。在连续比例惩罚因子NMS算法中,阈值对算法的运行效果仅有轻微的影响。改进的NMS算法首先根据检测框与预选取检测框的IoU值大小计算出检测框对应的比例惩罚因子;然后将检测框置信度分数乘以比例惩罚因子,通过比例惩罚因子逐轮降低检测框的分数;最后经过多轮迭代后移除分数低于阈值的检测框。与传统的NMS算法相比,本文所提出改进的NMS算法可以有效地保留目标检测框和移除目标的假正例检测框,从而降低NMS算法的漏检率和误检率。在时间复杂度相同和运行效率一致的情况下,与传统的NMS算法相比,Faster RCNN基于本文所提出的改进NMS算法mAP值得到了显著的提升。此外,针对无人机巡线绝缘子图像存在背景复杂、绝缘子种类多样以及红外图像由于温度差异造成的图像中绝缘子特征鲁棒性较差等问题,本文提出了快速反卷积Single Shot Detector(FD-SSD)模型,使用该模型检测无人机巡线图像中的绝缘子目标。该模型首先采用深度卷积神经网络提取绝缘子图像不同尺度大小的特征图,然后将高层特征图通过反卷积的方式扩充后与低层特征图相融合提高低层特征图的语义信息,最后使用网络中不同尺度大小的特征图对图像中的绝缘子进行识别和定位从而达到检测的目的。FD-SSD模型不仅采用多尺度特征图对图像中的绝缘子进行检测,而且将高层特征图的语义信息通过反卷积的方式与低层特征图相融合,进而提高低层特征图的检测性能。实验表明,FD-SSD模型对可见光绝缘子图像和红外绝缘子图像均有较好的检测效果,检测的平均精度达到了88.1%,同时该模型在GTX 1080Ti显卡上的检测速度达到了39FPS,检测速度达到了实时检测的要求。