文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.200280
中文引用格式： 李國(guó)強(qiáng)，彭熾剛，汪勇，等. 基于深度學(xué)習(xí)的桿塔三維姿態(tài)實(shí)時(shí)估計(jì)[J].電子技術(shù)應(yīng)用，2021，47(6)：87-91，95.
英文引用格式： Li Guoqiang，Peng Chigang，Wang Yong，et al. Real-time estimation of three-dimensional attitude of towers based on deep learning[J]. Application of Electronic Technique，2021，47(6)：87-91，95.
0 引言
隨著國(guó)民經(jīng)濟(jì)的增長(zhǎng)和無(wú)人機(jī)在電網(wǎng)的逐步應(yīng)用推廣，繁重的無(wú)人機(jī)作業(yè)任務(wù)讓無(wú)人機(jī)的智能化顯得尤為重要。同時(shí)，機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展，給無(wú)人機(jī)的智能化提供了新的思路。但是，機(jī)器視覺(jué)的目前所需要的訓(xùn)練數(shù)據(jù)是通過(guò)無(wú)人機(jī)等手段采集的，不僅耗時(shí)長(zhǎng)、耗人力，而且檢測(cè)往往只是針對(duì)單張圖片，進(jìn)行二維平面上的識(shí)別，面對(duì)實(shí)時(shí)視頻檢測(cè)比較卡頓，同樣無(wú)法識(shí)別物體三維空間姿態(tài)。
因此，需要改善視頻實(shí)時(shí)識(shí)別的卡頓，改進(jìn)訓(xùn)練數(shù)據(jù)的采集技術(shù)。傳統(tǒng)的目標(biāo)檢測(cè)算法大多數(shù)以圖像識(shí)別為基礎(chǔ)。一般可以在圖片上使用窮舉法或者滑動(dòng)窗口選出所有物體可能出現(xiàn)的區(qū)域框，對(duì)這些區(qū)域框提取特征并使用圖像識(shí)別分類(lèi)方法，得到所有分類(lèi)成功的區(qū)域后，通過(guò)非極大值抑制輸出結(jié)果。近些年來(lái)相關(guān)學(xué)者提出采用人工智能的方法實(shí)現(xiàn)目標(biāo)檢測(cè)，其中包括K最近鄰KNN[1]、隨機(jī)森林Random Forest[2]、線性向量機(jī)SVM[3]。這些淺層機(jī)器學(xué)習(xí)方法在建模過(guò)程中功能簡(jiǎn)單，復(fù)雜函數(shù)和分類(lèi)問(wèn)題的表達(dá)有限，魯棒性差，準(zhǔn)確度和精度低。而對(duì)于難以應(yīng)對(duì)指數(shù)增長(zhǎng)的遙感圖像目標(biāo)特征提取，也不能達(dá)到很好的特征分析和識(shí)別效果。
本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.xxav2194.com/resource/share/2000003580。
作者信息：
李國(guó)強(qiáng)1，彭熾剛1，汪 勇1，向東偉2，楊成城2
(1.廣東電網(wǎng)有限責(zé)任公司 機(jī)巡作業(yè)中心，廣東 廣州510062；2.武漢匯卓航科技有限公司，湖北 武漢430070)
