为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进...为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。展开更多
红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而...红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。展开更多
文摘为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明:所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。
文摘红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。
