论文总字数：25202字

摘 要

输电线路区域进行目标检测与识别是保证输电线路安全的重要举措。目标检测与识别技术的任务是将图像中感兴趣的目标寻找出来，然后对目标的位置和类别进行确定。目标检测算法包括了传统目标检测算法和基于神经网络的深度学习目标检测算法，检测算法的评价指标包括精确率、召回性和检测速度。

以复杂背景下的可移动目标（车辆）为研究对象，基于目前存在的两类目标检测算法，选取传统算法中的DPM算法和深度学习算法中的YOLO算法进行研究和实现，主要进行以下三个方面的研究:①针对复杂地面下可能存在的目标遮挡、环境干扰以及移动目标可能发生形变等问题，DPM检测算法通过描述每个组件和组件之间的位置关系来表达目标，可以很好地解决类内变化和遮挡等问题。②针对移动目标位置连续变化特性，图像处理需要满足实时性的要求，YOLO模型可以从输入图像回归中直接检索目标类别的置信度和目标对象的位置，检测速度比较快，可以满足实时检测的要求。③针对目标检测的实际应用场景，将算法模型应用到检测对象中。

实验内容为在针对复杂背景下的车辆制作的数据集中的训练集、验证集和测试集上分别进行模型的训练、优化和测试。从算法的精确率、召回率和检测速度等多维度对两种目标检测模型性能进行试验分析，同时对复杂背景下两种检测模型的性能进行对比。实验结果表明:DPM检测模型在本课题的数据集上测试的精确率为64.75%，YOLO模型的精确率为88.57%，满足课题的任务要求。但是在复杂背景下，相比传统的DPM算法,YOLO算法回归出的位置更加准确，准确率和召回率更高。

关键词：目标检测；复杂背景；移动目标；DPM；YOLO

Abstract

Target detection in transmission line area is an important measure to ensure the safety.The assignment of target recognition is to discover the target of interest in the image, and then determine the location and category of the target. The target detection algorithms including the traditional target detection algorithm and the deep learning algorithm based on neural network, the precision, recall and real-time have become the targets of target recognition.

Taking the moving objective (vehicle) under complex ground as the research object, on the basis of the traditional objective examine algorithm and deep studying target detection algorithm, DPM algorithm and YOLO detection are introduced, which is mainly conduct the following three aspects of research: ① Aiming at the possible problems of target occlusion, environmental interference and possible deformation of moving targets under complex ground, DPM detection algorithm expresses the target by describing the positional relation between various components and components, which has good effect in dealing with target occlusion and intra-class changes. ② Aiming at the continuous change characteristic of the moving target's position, Image processing needs to meet the requirements of real-time. YOLO can directly obtain the score of target category and the position of target object from the input image regression. The detection speed is relatively fast and can meet the requirements of real-time detection. ③ According to the actual application scenario of this topic, the algorithms are applied to our detection object.

In this experiment, the model training is executed on the training set, the better model is executed on the verification set, and the model test is executed on the test set. The performance of the two target detection models are tested and analyzed from the precision rate, recall rate and detection velocity of the algorithm, and the capability of the two detection models are compared. The experimental results show that the testing precision of the DPM models on the data set of this topic is 64,75%,YOLO models is 88.57%, which meets the requirements of our task. However, under the complex background, compared with the traditional DPM algorithm, YOLO algorithm integrates more context information, and the regressed position is more accurate, with higher precision and recall rate.

Key Words：Target detection；Complex background；Moving target；DPM；YOLO

目录

摘 要 I

Abstract II

第1章 绪论 1

1.1 引言 1

1.1.1 研究背景 1

1.1.2 研究意义 2

1.2 研究现状 2

1.2.1 传统目标检测算法 3

1.2.2 深度学习目标检测算法 4

1.3 研究内容和章节结构 5

1.3.1 研究内容 5

1.3.2 章节结构 5

第2章 可变形部件模型（DPM）算法 7

2.1 DPM算法概述 7

2.2 DPM算法特征 7

2.2.1 图像梯度计算 7

2.2.2 HOG特征向量归一化 8

2.2.3 解析降维 8

2.3 可变形部件模型 9

2.4 DPM算法检测流程 10

2.4.1 计算HOG特征图 11

2.4.2 模型响应图 12

2.4.3 Latent SVM分类器 13

第3章 YOLO目标检测算法 16

3.1 YOLO算法概述 16

3.2 卷积神经网络 16

3.2.1 卷积神经网络的基本结构 16

3.2.2 卷积神经网络的特性 18

3.3 YOLO算法网络结构 18

3.4 YOLO算法检测流程 20

第4章 实验仿真 22

4.1 数据集制作 22

4.2 DPM算法仿真 25

4.2.1 系统实现 25

4.2.2 模型训练 26

4.2.3 模型检测 27

4.3 YOLO算法仿真 28

4.3.1 系统实现 28

4.3.2 模型训练 29

4.3.3 模型检测 30

第5章 结论与展望 32

5.1 论文总结 32

5.2 工作展望 32

参考文献 34

致谢 36

第1章 绪论

1.1 引言

1.1.1 研究背景

当今时代正处于信息时代，信息时代的发展主要以计算机为核心，随着计算机技术的发展，越来越多智能化的物品进入人们的视野，给人们的生活带来了很多便利，因此人们开始思考如何让自己从劳动中解放出来，如何让生活变得更加智能化，从而掀起了人工智能^[1]的热潮。人们认识世界、了解世界需要获取途径，人们主要是依靠视觉信息来进行知识获取。研究表明，相比于其他形式获取的信息，比如声音，感觉等，通过视觉获取的信息要更加的具体和丰富，同时对通过眼睛观察到的信息的学习效率非常高。随着人工智能的出现和普及，人们试图让计算机模仿人们的视觉系统，在某些应用领域来代替人们的眼睛，做到对图像的的获取、处理以及理解，从而涌现出一门新的研究领域——计算机视觉^[2]。计算机视觉主要研究方向是图像处理，通过找出图像中目标的位置及目标的具体类别进行目标识别是计算机视觉领域的重要探索内容，即目标检测及识别技术^[3]。

架空输电线路的定期巡检不仅关系着电网的安全运行，也是保障电能可靠运输的关键。一直以来，我国输电线路的检查、维护和检修工作主要靠人力操作，这样不仅使得工作人员的劳动强度大，还可能出现巡检效率低下，存在巡检盲区等问题，同时工作人员在巡视过程中也存在因野生动物和森林疾病带来的安全隐患。因此架空输电线路的定期巡检,是一项难度高,危险系数高,工作量繁重的任务。我国的架空输电线路分布广泛,所处地形复杂,环境中存在的移动目标（鸟类、漂浮物等）给电力线带来危害,如果处理和修复不及时,还会给电力传输带来极大隐患，导致严重后果。据不完全统计，2012年由于异物跳闸导致的输电线路跳闸达40.5%，异物跳闸成为导致输电线路事故的主要原因。因此，输电线路区域采用自动监控系统对周围环境中的移动目标进行检测与识别是输电生产运行亟待解决的重要工作之一。同时，目标检测技术也在面临着许多挑战，比如随着应用场景的复杂化，该技术对于计算资源的要求越来越高，如何降低检测算法的计算复杂度成为研究热点。在执行检测任务的现实场景中，检测目标大多数是可移动的，这就造成了目标与背景之间总是存在相对运动，在进行目标检测时存在很大误差。基于目前对移动目标进行检测时造成的背景变化问题，很多研究者们开始致力于寻找一种算法可以完美解决该问题，使动态背景下的检测技术发展成熟^[4]。

请支付后下载全文，论文总字数：25202字