基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
为实现输电线路杆塔中鸟窝的快速准确检测,提出一种基于RetinaNet深度学习模型的鸟窝识别方法,利用ResNet-50进行前期特征提取,通过FPN网络对前期标准特征进行加强,构建特征金字塔影像,以满足不同尺度大小的鸟窝目标检测,然后在特征金字塔的基础上构建了一个分类子网和回归子网,分别用于识别鸟窝和回归鸟窝的具体位置.通过与经典目标检测方法进行详细对比分析,利用F1-Score精度指标和检测速度指标对检测效果进行了量化分析,实验结果表明,所采用的鸟窝检测模型F1-Score指标可达0.932,优于其他三种经典方法,并能充分应对拍摄角度、遮挡等各种复杂场景问题.
推荐文章
输电线路杆塔监测系统设计
输电线路
杆塔监测
数据处理
预警管理
基于改进像素聚类算法的输电线路冰区识别方法
像素
聚类
图像处理
输电线路
冰雪灾害
浅析输电线路杆塔接地装置
架空输电线路
杆塔
接地装置
接地电阻
输电线路杆塔接地状态在线监测技术研究
输电线路
杆塔
接地状态
在线检测
故障监测
接地电阻
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于深度学习的输电线路杆塔鸟窝识别方法研究
来源期刊 机电信息 学科
关键词 深度学习 RetinaNet模型 特征提取 特征金字塔 鸟窝识别
年,卷(期) 2020,(24) 所属期刊栏目 电气工程与自动化
研究方向 页码范围 22-23
页数 2页 分类号
字数 1464字 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 杨渊 6 5 1.0 2.0
2 时磊 10 17 3.0 4.0
3 周振峰 2 0 0.0 0.0
4 欧进永 1 0 0.0 0.0
5 邱实 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (6)
共引文献  (40)
参考文献  (2)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2012(3)
  • 参考文献(0)
  • 二级参考文献(3)
2014(2)
  • 参考文献(0)
  • 二级参考文献(2)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
RetinaNet模型
特征提取
特征金字塔
鸟窝识别
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
机电信息
旬刊
1671-0797
32-1628/TM
大16开
南京山西路120号江苏成套大厦12楼
28-285
2001
chi
出版文献量(篇)
19929
总下载数(次)
45
总被引数(次)
30590
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导