基于卷积神经网络的绝缘子目标识别方法研究

• 作者: 于泳 周云成 朱浩祎 杨雪 王俊 苑婷 陈春玲
• 来源期刊: 沈阳农业大学学报
• 学科: 工学
• 关键词: 目标识别 绝缘子识别 深度学习 卷积神经网络 FasterR-CNN
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 研究简报
• 页码范围: 501-506
• 页数: 6页
• 分类号: TP183
• 字数: 4261字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1700.2019.04.017

摘要

为了实现复杂背景下绝缘子的快速、准确识别,提出了基于卷积神经网络的绝缘子目标识别方法.该方法通过公开数据集ImageNet预训练VGGNet,并将VGGNet作为特征提取网络,预训练后用其参数初始化Faster R-CNN,通过绝缘子数据集再训练,最终用来识别绝缘子目标.此外,为了探究不同卷积网络和不同算法对试验结果的影响,除上述VGGNet和Faster R-CNN以外,还使用了AlexNet和Fast R-CNN来进行对比试验,即对比Fast R-CNN+VGGNet、Faster R-CNN+VGGNet、Faster R-CNN+AlexNet这3种网络.测试结果表明:在使用相同特征网络VGGNet时,Faster R-CNN的各项测试指标均优于Fast R-CNN,在使用相同算法Faster R-CNN时,VGGNet网络的检测指标较为理想,但识别速度稍慢于AlexNet网络.3种网络都能够达到绝缘子目标识别的目的,精确度依次为87.23％、96.66％、93.34％,召回率依次为59.42％、84.06％、49.28％,平均识别时间依次为8.48,2.70,1.40s.观察试验可知,相比其他两种算法Faster R-CNN+VGGNet检测结果较为理想,其精确度分别高出9.43％和3.32％,召回率分别高出24.64％和34.78％,说明该方法可对复杂背景下的绝缘子进行有效识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周云成	沈阳农业大学信息与电气工程学院	36	324	10.0	17.0
2	陈春玲	沈阳农业大学信息与电气工程学院	57	308	12.0	15.0
3	王俊	沈阳农业大学信息与电气工程学院	30	113	7.0	9.0
4	朱浩祎		2	2	1.0	1.0
5	苑婷		3	7	1.0	2.0
6	于泳		3	1	1.0	1.0
7	杨雪	沈阳农业大学信息与电气工程学院	3	1	1.0	1.0