典型文献
基于图像增广与迁移学习的输电线路金具多目标实时检测方法
文献摘要：
架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环.针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法.将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练.实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32％,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量.
文献关键词：
深度学习;卷积神经网络;迁移学习;实时检测;金具
中图分类号：
作者姓名：
黄力;万旭东;王凌云;刘兰兰
作者机构：
三峡大学电气与新能源学院 宜昌443002;三峡大学湖北省输电线路工程技术研究中心 宜昌443002;带电巡检与智能作业技术国网公司实验室 长沙421000
文献出处：
引用格式：
[1]黄力;万旭东;王凌云;刘兰兰-.基于图像增广与迁移学习的输电线路金具多目标实时检测方法)[J].电子测量技术,2022(20):135-142
A类：
B类：
图像增广,迁移学习,输电线路金具,实时检测,架空输电线路,状态评估,评估工作,可靠运行,行至,识别检测,快速性,YOLOX,金具检测,骨干网络,Mosaic,Mixup,余弦退火,学习率,两阶段模型,模型训练,平均精度均值,Faster,检测模型,检测精度,检测速度,仅次于,YOLOv3
AB值：
0.321474
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。
