基于Faster R-CNN的输电线路缺陷识别模型研究

• 作者: 屠德然 武文梁 熊小萍 蒙登越 许爽 韦香祥
• 来源期刊: 自动化与仪器仪表
• 学科: 工学
• 关键词: 图像识别 深度卷积神经网络 FasterR-CNN 线路缺陷识别 机器学习
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 设备运行状态分析
• 页码范围: 1-6
• 页数: 6页
• 分类号: TP18
• 语种: 中文
• DOI: 10.14016/j.cnki.1001-9227.2020.03.001

摘要

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战.为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型.首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型.经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90％以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	熊小萍	广西大学电气工程学院	18	210	6.0	14.0
2	屠德然	广西大学电气工程学院	2	0	0.0	0.0
3	武文梁	广西大学电气工程学院	2	0	0.0	0.0
4	许爽	广西大学电气工程学院	2	0	0.0	0.0
5	蒙登越		1	0	0.0	0.0
6	韦香祥		1	0	0.0	0.0