基于Faster R-CNN的高压电线缺陷检测方法

论文摘要

针对形态学和色彩学图像处理算法检测电线缺陷类型少、效率低的问题,为提高电线缺陷的检测正确率,提出了一种高效率、高准确度的高压电线缺陷图像识检测方法。由于电线缺陷类型根据导线截面积变化情况来划分,故选取更快速的基于区域卷积神经网络（Faster R-CNN）对电线缺陷进行检测与分类。根据检修导则将电线缺陷分为5种单类和2种混合类,研究了不同的网络模型对电线缺陷检测的正确率和识别帧率,并在实验中对数据集进行变换,通过旋转图像和加入正态分布的高斯雪花进一步提升检测效果。通过采集到的电线缺陷图像的测试,Faster R-CNN能够检测分类高压电线缺陷,加入数据变换对于电线缺陷检测的有效性和可靠性都有了提升,识别帧率为119 ms,均值平均精度（mAP）为94%,提高了5个百分点。

论文目录

• 0 引言
• 1 Faster R-CNN高压电线缺陷检测方法
•   1.1 预训练卷积神经网络模型
•     1)齐勒和弗格斯网络模型（Zeiler and Fergus Network model, ZFnet）[22]。
•     2)视觉几何组网络模型[23]（Visual Geometry Group network model, VGGnet）。
•   1.2 RPN网络训练
•   1.3 Fast R-CNN检测网络训练
•   1.4 2个网络的CNN共享和联合调优
• 2 数据集与模型训练
•   2.1 数据集准备
•   2.2 数据集处理
•   2.3 模型训练
• 3 实验结果与分析
•   3.1 两种网络模型的识别效果对比
•   3.2 旋转变换扩充数据集
•   3.3 高斯噪声变换扩充数据集
• 4 结语

文章来源

类型: 期刊论文

作者: 金昊,康宇哲,齐希阳,洪榛

关键词: 高压电线缺陷,区域卷积神经网络,数据变换,检测正确率,识别帧率

来源: 计算机应用 2019年S2期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 电力工业,计算机软件及计算机应用,自动化技术

单位: 浙江理工大学机械与自动控制学院,浙江理工大学信息学院

基金: 国家级大学生创新创业训练计划项目(201810338001)

分类号: TM75;TP391.41;TP183

页码: 97-102

总页数: 6

文件大小: 596K

下载量: 172