结合KL散度和形状约束的Faster R-CNN典型金具检测方法

• 作者: 赵振兵 李延旭 甄珍 翟永杰 张珂 赵文清
• 来源期刊: 高电压技术
• 关键词: Faster R-CNN 金具检测 KL散度 形状约束 深度学习 目标检测
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 人工智能物联网技术在输配电领域的应用专题|Special Issue on Applications of Artificial Intelligence and the Internet of Things in Power Transmission and Distribution Field
• 页码范围: 3018-3026
• 页数: 9页
• 语种: 中文
• DOI: 10.13336/j.1003-6520.hve.20200507023

摘要

输电线路航拍巡检图像中典型金具的高准确率检测是其状态检测和故障诊断的基础.针对金具与金具之间、金具与背景之间相互干扰导致模型出现的目标检测得分很高但检测框位置存在极大误差的问题,提出了一种结合KL(Kullback-Leibler)散度和形状约束的Faster R-CNN(faster region-based convolutional neural netwoks)典型金具检测方法,在Faster R-CNN检测模型框架的基础上,增加对目标边界框分布的预测,同时使用KL散度度量金具坐标预测分布与真值分布之间的距离,并将其作为损失函数优化模型参数,进一步将数据集中不同金具类别目标的形状特征作为约束加入损失函数中,以提高模型的泛化性能和边界框回归精度.实验结果证明:提出的方法在一定程度上解决了检测模型目标边界框回归不准确的问题,其中,各类别平均准确率的均值(mean average pre-cision,mAP)由79.76％提高到了83.68％.研究可为进一步对典型金具进行状态检测和故障诊断奠定基础.