基于无人机数据的电力地物智能提取方法研究

作     者：钟先金 

作者单位：中国石油大学(华东) 

学位级别：硕士

导师姓名：王振杰

授予年度：2020年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：电力地物 智能提取 深度学习 无人机数据 输电塔 

摘      要：利用无人机进行输电线路勘测、巡检,具有数据获取速度快、分辨率高的优势,针对输电塔检测的快速、精确提取问题,本文通过分析输电塔的浅层和深层特征,研究输电塔提取方法,为无人机影像中输电塔快速提取提供理论依据和技术支撑。主要研究工作如下:1.基于卷积神经网络和所设计的特征算子,针对无人机影像数据,分别提取输电塔浅层和深层次特征。分析得出:输电塔在复杂背景中灰度分布不显著,梯度特征与大部分背景差异性显著;卷积神经网络提取特征更丰富多样、表达能力更强。2.结合图像灰度分布,利用图形切割(Graph Cuts)的方法提取了输电塔的轮廓信息,实现了无人机影像中输电塔与背景的分离。顾及输电塔梯度特征,利用方向梯度直方图(HOG)方法检测输电塔的数据集,通过改进输入模型,提高了输电塔检测的精度。使用无人机影像制作VOC格式数据集,利用基于可变形部件模型(DPM)方法提取出输电塔的空间模型,自动检测出了无人机影像的输电塔目标及其位置。实验表明:DPM对输电塔的检测效果较HOG的检测效果好;HOG的检测时间较DPM的检测时间更短。3.运用深度学习目标检测的方法,选取Faster R-CNN和SSD网络模型,分别使用Inception V2和ResNet50网络框架作为特征提取网络,针对无人机影像制作的VOC数据集,训练获得检测模型,实现了无人机影像中输电塔目标的检测。实验表明:Faster R-CNN较SSD检测时间长,但检测精度比SSD较高;对比ResNet50,使用Inception V2作为特征提取网络的检测精度较低,但检测时间短。4.利用无人机影像制作符合Mask R-CNN网络的输电塔数据集,并训练获得检测模型,实现了对无人机影像中输电塔目标的实例分割。实验表明,基于网络模型Mask R-CNN进行输电塔实例分割,能获得比Graph Cuts更好的分割效果。