基于样本扩充的Faster R-CNN电网异物监测技术

• 作者: 史晋涛 李喆 江秀臣 盛戈皞 顾超越
• 来源期刊: 电网技术
• 学科: 工学
• 关键词: 电力巡检 Faster R-CNN 数字图像处理 高斯滤波 泊松融合
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 面向新一代电力系统和能源互联网的人工智能技术
• 页码范围: 44-51
• 页数: 8页
• 分类号: TM85
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2019.0433

摘要

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差.针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法.利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员.深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求.因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的.使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升.此外,通过测试发现,对训练集做一定的预处理可以提升模型的识 别性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	江秀臣		305	4849	36.0	54.0
2	李喆		56	646	15.0	24.0
3	盛戈皞		146	1961	25.0	38.0
4	史晋涛		1	0	0.0	0.0
5	顾超越		1	0	0.0	0.0