典型文献
基于改进Cascade R-CNN网络模型的防振锤缺陷识别
文献摘要：
针对高压输电线路中防振锤的背景复杂、缺陷目标小及类别数量不均衡问题,提出一种改进的Cascade R-CNN(cascade region convolutional neural networks)网络模型,用于防振锤的缺陷识别.将SE(squeeze and excitation)模块嵌入ResNet-101(residual network-101),以增强网络学习能力.引入FPN(feature pyramid networks)模块提取多尺度的缺陷特征.利用Focal Loss函数降低Cascade R-CNN候选区域提取模块的分类损失.实验结果表明:相对于其他4种模型,该文模型有相对高的识别准确率;识别防振锤缺陷的效果良好.因此,该文模型具有有效性.
文献关键词：
电力巡检;深度学习;缺陷识别;防振锤;Cascade R-CNN
中图分类号：
作者姓名：
程汪刘;任仰勋;倪修峰;曹成功;张可
作者机构：
国网安徽省电力有限公司 铜陵供电公司,安徽 铜陵 244099;安徽大学 电子信息工程学院,安徽 合肥 230601;安徽南瑞继远电网技术有限公司 研发中心,安徽 合肥 230088
文献出处：
引用格式：
[1]程汪刘;任仰勋;倪修峰;曹成功;张可-.基于改进Cascade R-CNN网络模型的防振锤缺陷识别)[J].安徽大学学报（自然科学版）,2022(05):64-70
A类：
B类：
Cascade,防振锤,缺陷识别,高压输电线路,别数,均衡问题,cascade,region,convolutional,neural,networks,SE,squeeze,excitation,ResNet,residual,网络学习能力,FPN,feature,pyramid,缺陷特征,Focal,Loss,候选区域,区域提取,取模,识别准确率,电力巡检
AB值：
0.446959
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
