基于深度学习的电力设备图像识别模型构建

• 作者: 唐乃勇 蔡利 朱涛 袁汉凯 胡明强
• 来源期刊: 自动化与仪器仪表
• 学科: 工学
• 关键词: FP-Faster R-CNN算法 卷积神经网络 池化方式 电力设备
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 理论创新
• 页码范围: 54-57
• 页数: 4页
• 分类号: TP399
• 语种: 中文
• DOI: 10.14016/j.cnki.1001-9227.2020.12.054

摘要

针对传统深度学习算法FP-Faster R-CNN在特征提取方面难,进而影响了小目标设备的检测问题,在结合Faster R-CNN算法原理的基础上,通过嵌入压缩激励结构和密集连接结构,以改进卷积神经网络的主干结构;然后将模型中的Ro I Pooling池化方式调整成Ro IAlign池化方式,以此完成对传统FP-Faster R-CNN的改进.最后通过实验对上述改进方案进行测试,结果表明无论是在电力设备识别率,还是在小目标电力设备的精度方面,本改进算法都有较强的优势.