-
题名基于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
刘越
刘俍
李建祥
-
机构
国网山东省电力公司电力科学研究院国家电网公司电力机器人技术实验室
山东鲁能智能技术有限公司
国网山东省电力公司
-
出处
《地球信息科学学报》
CSCD
北大核心
2017年第2期256-263,共8页
-
基金
2014年国家电网公司发展项目"无人机巡检实用化关键技术及检测体系研究"
-
文摘
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。
-
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
-
Keywords
deep learning
RCNN
Region-based convolutional neural networks
UAV images
electrical devices detection
-
分类号
TM75
[电气工程—电力系统及自动化]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的高效电力部件识别
被引量：15
- 2
-
-
作者
欧家祥
史文彬
张俊玮
丁超
-
机构
贵州电网有限责任公司电力科学研究院
上海电力学院
-
出处
《电力大数据》
2018年第9期1-8,共8页
-
文摘
传统的图像识别方法,不能有效检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。本文针对以上问题提出一种基于MASK LSTM-CNN模型的电力部件巡检图像识别方法。结合已有的Mask R-CNN方法,利用长短期记忆神经网络,通过络融合上下文信息来构建MASK LSTM-CNN模型,然后结合电力部件的具体特征进一步利用优化算法来优化模型的参数,使设计的模型能够在干扰信息较多的现场环境下依然可以准确识别电力部件,成功解决了已有方法中存在的电力部件在被遮挡情况下识别率较低的问题,大大改善了部件识别的精度。结合实际采集的电力部件巡检图像数据集对提出的模型进行大量测试验证,实验结果表明提出的MASK LSTM-CNN模型相比于R-FCN、Faster R-CNN等模型检测效果更优,平均识别准确率提高9%-12%左右,有效解决了干扰信息较多的电力场景中的部件识别问题。
-
关键词
电力部件识别
模型
识别率
图像识别
-
Keywords
power component identification
model
recognition rate
image identification
-
分类号
TM93
[电气工程—电力电子与电力传动]
-
-
题名基于改进的Faster R-CNN的电力部件识别
被引量：6
- 3
-
-
作者
姚万业
李金平
-
机构
华北电力大学控制与计算机工程学院
-
出处
《电力科学与工程》
2019年第5期32-36,共5页
-
文摘
传统的图像识别方法不能有效地检测出电力部件的具体位置,同时在干扰物较多的场景下识别准确率较低。针对上述问题,提出来一种改进的FasterR-CNN的电力部件识别算法,使用深度卷积网络自动从图像中提取最适合电力部件特征。FasterR-CNN方法,利用“HotAnchors”代替均匀采样的锚点来避免大量额外的计算,提高检测效率。最后,21检测框架被修改成4类电力部件检测。实验结果表明:改进的FasterR-CNN的电力部件识别算法,在检测效率和准确率方面分别提升了16.1%和3.8%。
-
关键词
电力部件识别
FasterR-CNN
HotAnchors
-
Keywords
electrical devices detection
Faster R-CNN
Hot Anchors
-
分类号
TM93
[电气工程—电力电子与电力传动]
-
-
题名无人机巡检图像电力小部件识别技术研究
被引量：5
- 4
-
-
作者
张鸥
徐强胜
刘靖波
刘瑞
史哲
彭丹青
贾高毅
-
机构
国网辽宁省电力有限公司经济技术研究院
国网辽宁省电力有限公司
北京洛斯达数字遥感技术有限公司
-
出处
《科技创新导报》
2019年第14期110-112,176,共4页
-
文摘
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。
-
关键词
无人机巡检图像
电力部件识别
-
分类号
TM755
[电气工程—电力系统及自动化]
-
-
题名无人机巡检图像中电力部件的识别研究综述
被引量：2
- 5
-
-
作者
张雯
山炳强
王贞
-
机构
青岛大学
-
出处
《电力设备管理》
2022年第5期44-46,49,共4页
-
文摘
系统总结了取得的成果,主要对巡检图像去噪预处理和电力部件识别两方面进行评述,同时展望了未来的研究趋势,期望对该领域的进一步研究提供参考。
-
关键词
无人机巡检
电力部件识别
深度学习
图像去噪
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
