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
共找到9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：
基于RCNN的无人机巡检图像电力小部件识别研究 被引量：159
1
作者 王万国 田兵 +2 位作者 刘越 刘俍 李建祥 《地球信息科学学报》 CSCD 北大核心 2017年第2期256-263,共8页
随着无人机(UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对... 随着无人机(UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络(CNN)在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster RCNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。 展开更多
关键词 深度学习 RCNN 卷积神经网络 无人机巡检图像 电力部件识别
原文传递
基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测 被引量：58
2
作者 顾超越 李喆 +3 位作者 史晋涛 赵航航 江一 江秀臣 《高电压技术》 EI CAS CSCD 北大核心 2020年第9期3089-3096,共8页
为了提升无人机巡检架空线路的效率,提高架空线路销钉缺陷检出率,提出了一种基于改进Faster-RCNN算法的无人机巡检架空线路销钉缺陷检测方法。针对无人机巡检图像背景大、销钉目标尺寸小的特点,通过以深度残差网络ResNet101作为前置特... 为了提升无人机巡检架空线路的效率,提高架空线路销钉缺陷检出率,提出了一种基于改进Faster-RCNN算法的无人机巡检架空线路销钉缺陷检测方法。针对无人机巡检图像背景大、销钉目标尺寸小的特点,通过以深度残差网络ResNet101作为前置特征提取网络,增大训练图像尺度,建立特征金字塔融合多尺度特征,以K-means算法优化初始锚框,对Faster-RCNN算法进行改进;并用实际无人机巡检图像进行实验测试。实验结果表明,该方法对无人机巡检图像中销钉缺陷有较好的检测效果,在测试数据集上检测精确度达到93.6%,召回率达到89.8%,泛化能力较强,相比现有其他常见目标检测方法,检测效果更好。 展开更多
关键词 无人机巡检图像 架空线路 销钉缺陷检测 卷积神经网络 多尺度特征融合
下载PDF
改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究 被引量：8
3
作者 叶翔 孙嘉兴 +3 位作者 甘永叶 冉倩 吴达 吕泽敏 《电测与仪表》 北大核心 2023年第5期85-91,共7页
针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入... 针对传统输电线路无人机巡检图像检测方法存在的精度低、计算时间长和训练样本少等问题,提出了一种用于输电线路部件绝缘子缺陷识别的改进YOLOv3模型。引入K-means++算法解决小目标不敏感问题,引入Focalloss函数解决样本不均衡问题,引入Mish激活函数提高模型精度,引入注意力机制Senet提高特征提取性能。通过对改进前后模型性能的比较分析,验证了该方法的优越性。结果表明,与传统的检测方法相比,所提方法在检测速度上能够满足实时检测的需要,且检测精度最优,检测时间为0.079 s,检测平均准确度均值为94.40%。该研究能够满足输电线路无人机巡检图像缺陷自动检测的需要。 展开更多
关键词 输电线路 无人机巡检图像 绝缘子缺陷 YOLOv3模型 注意力机制
下载PDF
基于深度学习的架空输电导线缺陷检测方法研究 被引量：5
4
作者 翟学明 李晓 翟羽佳 《电网技术》 EI CSCD 北大核心 2023年第3期1022-1030,共9页
无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group... 无人机巡检图像中,架空输电导线断股、表面磨损等缺陷存在人工复检效率低、误检漏检率高的问题,为此提出了一种基于深度学习的架空输电导线缺陷智能检测方法。该方法以Unet为基础网络,结合迁移学习的思想,将VGG16(visual geometry group,16 weight layers)作为主干特征提取网络,并且将VGG16在ImageNet数据集上训练的权重作为预训练权重,以增强训练效果;然后将网络中的普通卷积用深度可分离卷积代替,有效地减少了网络的参数量;最后引入轻量级的高效通道注意力模块(efficient channel attention,ECA),实现不降维的局部跨信道交互策略,突出重要特征的同时克服了性能和复杂性之间的矛盾。在自建的输电导线缺陷数据集上,对方法进行了功能与性能测试,实验结果表明所提方法在导线断股检测上的准确率达到89.81%,在表面擦痕检测上的准确率达到90.86%,在表面刮损检测上的准确率达到93.58%,平均交并比(mean intersection over union,MIoU)值为86.12%,单张检测速度相对于Unet网络提升了8倍左右,提高了网络检测速度和检测精度。 展开更多
关键词 无人机巡检图像 输电导线缺陷检测 迁移学习 深度可分离卷积 高效通道注意力
下载PDF
改进YOLO v7的绝缘子检测与定位 被引量：2
5
作者 张剑锐 魏霞 +2 位作者 张林鍹 陈燕楠 卢杰 《计算机工程与应用》 CSCD 北大核心 2024年第4期183-191,共9页
针对电力系统目标检测任务中绝缘子大小不一、背景干扰等影响而导致精度低、漏检率高的问题,提出了基于改进YOLO v7绝缘子检测与定位方法。在YOLO v7骨干网络中加入轻量级注意力机制(convolutional block attention module, CBAM),使网... 针对电力系统目标检测任务中绝缘子大小不一、背景干扰等影响而导致精度低、漏检率高的问题,提出了基于改进YOLO v7绝缘子检测与定位方法。在YOLO v7骨干网络中加入轻量级注意力机制(convolutional block attention module, CBAM),使网络模型从通道、空间两个方面更加关注绝缘子特征,降低绝缘子检测中的漏检率。在网络模型深层添加集中特征金字塔(concentrated feature pyramid, CFP),使不同尺度的特征图进行信息交换和聚合,进而获得更加全面的绝缘子特征,提高绝缘子检测精度。通过k-means算法对预选框聚类,得到最适合绝缘子预选框大小。实验结果表明,改进以后的YOLO v7网络模型平均检测精度(mean average precision, mAP)达到96.2%,精准率为90.8%,召回率为93.8%。改进的方法在电力系统绝缘子检测中具有较广泛的应用前景。 展开更多
关键词 目标检测 深度学习 无人机巡检图像 绝缘子识别
下载PDF
复杂背景无人机巡检图像输电线异物缺陷检测
6
作者 蒋光遒 豆鹏涛 +2 位作者 杨尔成 马宁宁 叶芳 《中国新技术新产品》 2024年第10期30-32,共3页
无人机巡检输电线图像的背景较为复杂,因此在对输电线异物缺陷进行检测的过程中,误检的情况较为严重。本文提出基于支持向量机的复杂背景无人机巡检图像输电线异物缺陷检测方法,采用直方图均衡化的方法增强输电线无人机巡检图像的对比度... 无人机巡检输电线图像的背景较为复杂,因此在对输电线异物缺陷进行检测的过程中,误检的情况较为严重。本文提出基于支持向量机的复杂背景无人机巡检图像输电线异物缺陷检测方法,采用直方图均衡化的方法增强输电线无人机巡检图像的对比度,利用固定大小的网格将输电线图像划分为多个区域,使用区域内的像素点计算特征,并对其进行加权平均融合操作,提取背景特征。为支持向量机模型选择合适的核函数和参数后,对其进行交叉验证,将提取的背景特征作为输入函数。根据像素与输电线之间的关系,检测异物缺陷,测试结果表明,误检率仅为0.5%。 展开更多
关键词 支持向量机 复杂背景 无人机巡检图像 输电线异物缺陷检测 直方图均衡化 像素点 加权平均融合 核函数 交叉验证
下载PDF
无人机巡检图像电力小部件识别技术研究 被引量：5
7
作者 张鸥 徐强胜 +4 位作者 刘靖波 刘瑞 史哲 彭丹青 贾高毅 《科技创新导报》 2019年第14期110-112,176,共4页
随着无人机(UAV)在电巡线作业中的应用推广,对无人机巡检图像的目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识... 随着无人机(UAV)在电巡线作业中的应用推广,对无人机巡检图像的目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机(SVM)、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以达到较高的准确率。随着卷积神经网络(CNN)在目标识别中的兴起,基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使得目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并分析了几个关键参数,如dropout比例、nms、批处理尺寸对识别结果的影响,给出了一些针对Faster R-CNN算法的建设性调优建议。最后利用实际采集的电力小部件巡检数据构建的数据集对Faster R-CNN算法进行测试验证。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80ms的识别速度和92.7%的准确率。这些结果也表明Faster R-CNN算法的优势。 展开更多
关键词 无人机巡检图像 电力部件识别
下载PDF
基于边缘计算的机巡图像缺陷识别算法研究 被引量：3
8
作者 董召杰 林志达 《自动化与仪器仪表》 2020年第7期77-80,共4页
机巡图像识别算法(Faster R-CNN算法)存在识别精度低的不足,为此提出基于边缘计算的机巡图像缺陷识别算法。通过对机巡图像缺陷特征提取,再利用RPN网络获取目标候选区域,利用边缘计算优化Faster R-CNN算法,在此基础上,实行Faster R-CNN... 机巡图像识别算法(Faster R-CNN算法)存在识别精度低的不足,为此提出基于边缘计算的机巡图像缺陷识别算法。通过对机巡图像缺陷特征提取,再利用RPN网络获取目标候选区域,利用边缘计算优化Faster R-CNN算法,在此基础上,实行Faster R-CNN训练,再通过正负样本和损失函数对目标区域实施精确分类,从而识别出机巡图像缺陷,至此完成基于边缘计算的机巡图像缺陷识别算法研究。通过与传统算法、未经优化的Faster R-CNN算法作对比实验,实验结果表明,提出的基于边缘计算的机巡图像缺陷识别算法能更有效地识别机巡图像缺陷。 展开更多
关键词 图像缺陷识别算法 Faster R-CNN 无人机巡检图像
原文传递
多旋翼无人机巡检图像的部件识别应用
9
作者 罗艺 王乾龙 晏凯 《云南电力技术》 2021年第1期20-24,共5页
随着多旋翼无人机(UAV)在电力巡线作业中的应用推广,对多旋翼无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。目前Fast-RCNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进... 随着多旋翼无人机(UAV)在电力巡线作业中的应用推广,对多旋翼无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。目前Fast-RCNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在多旋翼无人机电力线巡检图像部件检测中使用,然后分别对DPM、sppnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster RCNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。 展开更多
关键词 RCNN 卷积神经网络 多旋翼无人机巡检图像 电力小部件识别
下载PDF
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
使用帮助 返回顶部