其他
【精彩论文】基于改进Faster RCNN的小尺度入侵目标识别及定位
观点凝练
摘要：为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位，提出一种基于改进Faster RCNN的快速神经网络辨识方法。该方法通过构建深度卷积网络计算目标样本的强语义特征，并利用密集连接的传输通道融合位置信息，从而得到适应于小目标检测的基础骨干网络；然后利用锚框挑选出目标可能存在的区域，采用双线性插值法计算定位框的坐标以实现像素级别的精确定位。使用采集的变电站监控图像对模型进行训练，得到适应小尺寸异物的改进Faster RCNN检测模型。通过对比实验结果表明，所提改进方法在进行小尺寸异物检测时能够保持高精度并具有时效性，具备一定的工程实用价值。
结论：针对小尺度入侵目标的识别问题，基于Faster RCNN提出了一种改进算法，并利用变电站监控图像设置了2组对比实验以证明本文提出的模型较原有模型有更好的检测性能，得出如下主要结论。
（1）参考DenseNet构建基础网络进行特征提取，通过与使用不同backbone的算法比较，改进算法的综合检测性能最优，说明对基础网络的结构优化能够有效提升模型对小目标的检测能力。识别结果进一步表明，模型对存在部分缺失问题的小尺度目标仍可进行识别并有较高的置信度。
（2）对原算法中坐标计算方法的改进能够进一步提高模型对小目标的检测精度，说明通过纠正坐标的计算误差可以有效避免定位偏移，实现对小尺寸目标的精确定位。
但在本研究中还存在着一些问题，由于所构建的样本集中缺少大中型目标，模型在进行不同尺度的目标检测时性能较差；实际检测时夜晚光线条件差导致目标在图像中呈现模糊不清的状态，造成检测困难等。在后续的工作中应利用图像算法着手解决这类在工程应用中遇到的问题。
引文信息
马静怡, 崔昊杨, 张明达, 等. 基于改进Faster RCNN的小尺度入侵目标识别及定位[J]. 中国电力, 2021, 54(3): 38-44.MA Jingyi, CUI Haoyang, ZHANG Mingda, et al. Small scale invade-target recognition and location based on improved faster rcnn[J]. Electric Power, 2021, 54(3): 38-44.往期回顾
编辑：于静茹校对：许晓艳审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。