电力安全标志牌检测可以识别监控区域内的警示信息,是智能电力安全作业管控系统的重要组成部分。为提高复杂电力场景下安全标志牌的检测精度,提出了一种改进YOLOv2的电力安全标志牌检测方法。在YOLOv2的基础上,通过增加预测层分辨率提...电力安全标志牌检测可以识别监控区域内的警示信息,是智能电力安全作业管控系统的重要组成部分。为提高复杂电力场景下安全标志牌的检测精度,提出了一种改进YOLOv2的电力安全标志牌检测方法。在YOLOv2的基础上,通过增加预测层分辨率提升网络对小目标的预测能力。另外,引入索引池化机制,利用池化掩码限制无用信息的引入,以提高网络分类识别的精确度。实验结果表明,改进后的检测网络在电力标志牌测试集上的平均精度均值(Mean Average Precision,mAP)达到了75.2%,比YOLOv2提高了3.2%。展开更多
文摘本文为了提高模板匹配的准确率,提出了一种基于自学习特征权重网络(self-learning feature weight network,SFWN)的模板匹配算法。首先,通过可视化的方法分析卷积神经网络不同层特征图的特点,从而选出有代表性的卷积层作为特征工程的特征提取器。然后,在网络中引入挤压与激励(squeeze and excitation,SE)结构,使得网络具有自学习特征通道权重的能力。删除权重小的特征图通道有助于减小特征图复杂度,从而减少匹配算法计算量。另外,自制了一个关于电力场景的模板匹配数据集TMDE(Template Matching Dataset in Electric)用于验证算法准确率。实验表明,与已发表文献相比,基于SFWN的模板匹配算法具有较高的准确率和较强的鲁棒性,更具有实际应用前景。
文摘电力安全标志牌检测可以识别监控区域内的警示信息,是智能电力安全作业管控系统的重要组成部分。为提高复杂电力场景下安全标志牌的检测精度,提出了一种改进YOLOv2的电力安全标志牌检测方法。在YOLOv2的基础上,通过增加预测层分辨率提升网络对小目标的预测能力。另外,引入索引池化机制,利用池化掩码限制无用信息的引入,以提高网络分类识别的精确度。实验结果表明,改进后的检测网络在电力标志牌测试集上的平均精度均值(Mean Average Precision,mAP)达到了75.2%,比YOLOv2提高了3.2%。
