基于RetinaNet和类别平衡采样方法的销钉缺陷检测

• 作者: 刘刚 周文青 王健 王凯 陈佳
• 来源期刊: 电力工程技术
• 学科: 工学
• 关键词: 深度学习 类别失衡 类别平衡采样 平均准确率
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 电网运行与控制
• 页码范围: 80-85
• 页数: 6页
• 分类号: TM933
• 字数: 4858字
• 语种: 中文
• DOI: 10.12158/j.2096-3203.2019.04.012

摘要

传统的无人机巡检航拍图中的电力连接金具销钉缺陷检测依赖人工进行标注,针对此问题,借助深度学习缺陷检测算法RetinaNet自动提取正常、缺陷样本的特征,完成低层特征和顶层特征的融合,实现销钉缺陷的自动标注.考虑到现实情况中缺陷类别样本数量远少于正常类别样本数量,首先分析了缺陷数据不足引起的类别失衡对识别结果的影响,结果表明该情况下训练好的模型将会使得大量缺陷样本被错误地识别为正常类.于是,在数据层面采用类别平衡采样方法,确保每个类别参与训练的机会均衡,实验结果表明,所提的方法能够在维持销钉正常类的高识别率前提下,明显提高缺陷类别的平均准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘刚	华南理工大学电力学院	154	1982	25.0	38.0
2	王健	华南理工大学电力学院	50	416	13.0	17.0
3	王凯	华南理工大学电力学院	18	114	7.0	10.0
4	陈佳		5	13	2.0	3.0
5	周文青	华南理工大学电力学院	5	4	1.0	2.0