基于RetinaNet和类别平衡采样方法的销钉缺陷检测

论文摘要

传统的无人机巡检航拍图中的电力连接金具销钉缺陷检测依赖人工进行标注,针对此问题,借助深度学习缺陷检测算法RetinaNet自动提取正常、缺陷样本的特征,完成低层特征和顶层特征的融合,实现销钉缺陷的自动标注。考虑到现实情况中缺陷类别样本数量远少于正常类别样本数量,首先分析了缺陷数据不足引起的类别失衡对识别结果的影响,结果表明该情况下训练好的模型将会使得大量缺陷样本被错误地识别为正常类。于是,在数据层面采用类别平衡采样方法,确保每个类别参与训练的机会均衡,实验结果表明,所提的方法能够在维持销钉正常类的高识别率前提下,明显提高缺陷类别的平均准确率。

论文目录

• 0 引言
• 1 缺陷智能识别算法RetinaNet
•   1.1 FPN框架
•   1.2 分类损失函数FL
• 2 销钉缺陷检测流程
•   2.1 巡检航拍图特征分析
•   2.2 基于类别平衡采样的训练策略
• 3 缺陷样本不足情况下的评估指标
• 4 实验与分析
• 5 结语

文章来源

类型: 期刊论文

作者: 王凯,王健,刘刚,周文青,陈佳

关键词: 深度学习,类别失衡,类别平衡采样,平均准确率

来源: 电力工程技术 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 华南理工大学电力学院,广东电网有限责任公司河源供电局

基金: 国家高技术研究发展计划(863计划)资助项目(2015AA050201)

分类号: TM732

页码: 80-85

总页数: 6

文件大小: 1561K

下载量: 159