基于Faster R-CNN的多尺度高压塔鸟巢检测

• 作者: 王纪武 罗海保 胡方全 郑乐乐 鱼鹏飞
• 来源期刊: 北京交通大学学报
• 学科: 工学
• 关键词: 高压塔 鸟巢 卷积神经网络 Faster R-CNN ResNet-50
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 智慧交通和数据挖掘
• 页码范围: 37-43
• 页数: 7页
• 分类号: TP391
• 字数: 4423字
• 语种: 中文
• DOI: 10.11860/j.issn.1673-0291.20180168

摘要

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55％.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5％和15.2％,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王纪武	北京交通大学机械与电子控制工程学院	8	20	2.0	4.0
2	罗海保	北京交通大学机械与电子控制工程学院	6	2	1.0	1.0
3	鱼鹏飞	北京交通大学机械与电子控制工程学院	7	4	1.0	1.0
4	郑乐乐	北京交通大学机械与电子控制工程学院	1	1	1.0	1.0
5	胡方全	北京交通大学机械与电子控制工程学院	1	1	1.0	1.0