基于改进Faster-RCNN的输电线路巡检图像检测

基于改进Faster-RCNN的输电线路巡检图像检测
针对传统输电线路目标巡检图像识别方法响应速度慢、准确率不高的问题，文中提出一种改进的更快速区域卷积神经网络(Faster-RCNN)深度学习识别算法。通过轻量化卷积神经网络(ZFnet)提取图像特征，并重置模型参数以获取更多目标细节；利用Faster-RCNN对目标进行检测，由子网络区域提议模型生成目标候选框和快速区域卷积神经网络(Fast-RCNN)进行参数调优，并在Faster-RCNN输出部分引入精炼阶段，增加目标特征的分类细化和回归细化，将存在目标的多个边界框合并，实现精确分类以及坐标定位。实验结果表明：改进Faster-RCNN算法可有效识别线路设备及设备缺陷，总体识别率达到93.5%，响应时间在1 s内。与图像识别法或单步多阶目标检测(SSD)、实时快速目标检测(YOLO)深度学习法相比，所提算法提高了电力设备的识别精度与响应速度，在输电线路智能巡检中具有一定的优越性。

标题：
基于改进Faster-RCNN的输电线路巡检图像检测
Transmission line inspection image detection based on improved Faster-RCNN

作者：
魏业文，李梅，解园琳，戴北城
WEI Yewen, LI Mei, XIE Yuanlin, DAI Beicheng

关键词：
输电线路巡检;图像识别;深度学习;卷积神经网络;特征提取;区域提议网络
transmission line inspection;image recognition;deep learning;convolutional neural network;feature extraction;re-gion proposal network

2025-1-23 19:52 上传 基于改进Faster-RCNN的输电线路巡检图像检测.pdf

文件大小:

8.96 MB

下载次数:

60

高速下载