期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种基于CNN的航拍输电线路图像分类方法
被引量:
5
1
作者
张秋雁
杨忠
+3 位作者
姜遇红
李
弘
宸
韩家明
陈科羽
《应用科技》
CAS
2019年第6期41-45,共5页
输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类...
输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类准确度为95.1%。实验结果表明本文提出的优化网络相较于经典的卷积神经网络有更好的分类效果。
展开更多
关键词
输电线路
绝缘子
图像分类
卷积神经网络
全连接网络
VGG-19
AlexNet
批归一化
下载PDF
职称材料
基于优化ResNet的输电线路航拍图像分类方法
被引量:
4
2
作者
李
弘
宸
杨忠
+3 位作者
姜遇红
韩家明
赖尚祥
张秋雁
《应用科技》
CAS
2021年第2期64-68,共5页
图像分类算法常被搭载在无人机系统中,以剔除无人机巡线过程中采集到的大量无用数据。针对这一问题,本文在分析了无用图像及有用图像特征的基础上,提出了一种基于卷积神经网络的输电线路智能图像筛选方法。收集无人机巡检捕捉到的航拍图...
图像分类算法常被搭载在无人机系统中,以剔除无人机巡线过程中采集到的大量无用数据。针对这一问题,本文在分析了无用图像及有用图像特征的基础上,提出了一种基于卷积神经网络的输电线路智能图像筛选方法。收集无人机巡检捕捉到的航拍图像,并以此为基础建立了一个输电线路航拍数据集,基于ResNet优化并利用航拍图像数据集训练该网络,经过多次迭代训练保留最优权重,通过加载最优权重的神经网络对测试样本进行分类,精确度达到99.00%。
展开更多
关键词
无人机巡线
输电线路
深度学习
图像分类
卷积神经网络
ResNet
分组卷积
网络轻量化
下载PDF
职称材料
一种多信息级联聚类输电线检测方法
被引量:
2
3
作者
赖尚祥
杨忠
+4 位作者
韩家明
张秋雁
李
弘
宸
陈聪
李
捷文
《应用科技》
CAS
2020年第5期86-93,共8页
针对树障清理空中机器人作业时需规避输电线这一需求,本文提出一种基于级联聚类的输电线检测方法。使用基于海森(Hessian)矩阵的边缘增强算法进行图像预处理;采用霍夫(Hough)变换法提取候选直线;设计一种融合直线空间位置分布特征及长...
针对树障清理空中机器人作业时需规避输电线这一需求,本文提出一种基于级联聚类的输电线检测方法。使用基于海森(Hessian)矩阵的边缘增强算法进行图像预处理;采用霍夫(Hough)变换法提取候选直线;设计一种融合直线空间位置分布特征及长度特征的级联聚类法,有效地删减由复杂背景造成的与输电线特征不相匹配的干扰线,并最终得到对应于输电线边缘的所有直线。实验结果表明,该方法具有较高的准确率及较强的鲁棒性,为树障清理空中机器人的视觉避障研究提供了基础。
展开更多
关键词
无人机
输电线路巡检
植被入侵
输电线检测
边缘增强
K-MEANS算法
霍夫变换
避障
下载PDF
职称材料
题名
一种基于CNN的航拍输电线路图像分类方法
被引量:
5
1
作者
张秋雁
杨忠
姜遇红
李
弘
宸
韩家明
陈科羽
机构
贵州电网有限责任公司
南京航空航天大学自动化学院
南京航空航天大学无人机研究院
出处
《应用科技》
CAS
2019年第6期41-45,共5页
基金
中国南方电网有限责任公司科技项目(066600KK52170074)
国家自然科学基金面上项目(61473144)
+1 种基金
航空科学基金项目(20162852031)
江苏高校优势学科建设工程资助项目
文摘
输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类准确度为95.1%。实验结果表明本文提出的优化网络相较于经典的卷积神经网络有更好的分类效果。
关键词
输电线路
绝缘子
图像分类
卷积神经网络
全连接网络
VGG-19
AlexNet
批归一化
Keywords
transmission lines
insulators
image classification
convolutional neural network
full connected network
VGG-19
AlexNet
batch normalization
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于优化ResNet的输电线路航拍图像分类方法
被引量:
4
2
作者
李
弘
宸
杨忠
姜遇红
韩家明
赖尚祥
张秋雁
机构
南京航空航天大学自动化学院
南京航空航天大学无人机研究所
贵州电网有限责任公司
出处
《应用科技》
CAS
2021年第2期64-68,共5页
基金
国家自然科学基金项目(61473144)
贵州省科技计划项目(黔科合支撑[2020]2Y044号)
+2 种基金
中国南方电网有限责任公司科技项目(066600KK52170074)
江苏高校优势学科建设工程项目
南京航空航天大学研究生创新基地(实验室)开放基金项目(kfjj20190305).
文摘
图像分类算法常被搭载在无人机系统中,以剔除无人机巡线过程中采集到的大量无用数据。针对这一问题,本文在分析了无用图像及有用图像特征的基础上,提出了一种基于卷积神经网络的输电线路智能图像筛选方法。收集无人机巡检捕捉到的航拍图像,并以此为基础建立了一个输电线路航拍数据集,基于ResNet优化并利用航拍图像数据集训练该网络,经过多次迭代训练保留最优权重,通过加载最优权重的神经网络对测试样本进行分类,精确度达到99.00%。
关键词
无人机巡线
输电线路
深度学习
图像分类
卷积神经网络
ResNet
分组卷积
网络轻量化
Keywords
UAV based line patrol
transmission lines
deep learning
image classification
convolutional neural network
ResNet
group convolution
network lightweight
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
一种多信息级联聚类输电线检测方法
被引量:
2
3
作者
赖尚祥
杨忠
韩家明
张秋雁
李
弘
宸
陈聪
李
捷文
机构
南京航空航天大学自动化学院
贵州电网有限责任公司
出处
《应用科技》
CAS
2020年第5期86-93,共8页
基金
国家自然科学基金项目(61473144)
中国南方电网有限责任公司科技项目(066600KK52170074)
+2 种基金
江苏高校优势学科建设工程资助项目
国家重点研发计划项目(2017YFE0113200)
南京航空航天大学研究生创新基地(实验室)开放基金资助项目(kfjj20190305).
文摘
针对树障清理空中机器人作业时需规避输电线这一需求,本文提出一种基于级联聚类的输电线检测方法。使用基于海森(Hessian)矩阵的边缘增强算法进行图像预处理;采用霍夫(Hough)变换法提取候选直线;设计一种融合直线空间位置分布特征及长度特征的级联聚类法,有效地删减由复杂背景造成的与输电线特征不相匹配的干扰线,并最终得到对应于输电线边缘的所有直线。实验结果表明,该方法具有较高的准确率及较强的鲁棒性,为树障清理空中机器人的视觉避障研究提供了基础。
关键词
无人机
输电线路巡检
植被入侵
输电线检测
边缘增强
K-MEANS算法
霍夫变换
避障
Keywords
unmanned aerial vehicle
transmission lines inspection
vegetation invasion
power line detection
edge enhancement
K-means algorithm
Hough transform
obstacle avoidance
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种基于CNN的航拍输电线路图像分类方法
张秋雁
杨忠
姜遇红
李
弘
宸
韩家明
陈科羽
《应用科技》
CAS
2019
5
下载PDF
职称材料
2
基于优化ResNet的输电线路航拍图像分类方法
李
弘
宸
杨忠
姜遇红
韩家明
赖尚祥
张秋雁
《应用科技》
CAS
2021
4
下载PDF
职称材料
3
一种多信息级联聚类输电线检测方法
赖尚祥
杨忠
韩家明
张秋雁
李
弘
宸
陈聪
李
捷文
《应用科技》
CAS
2020
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部