典型文献
基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法
文献摘要：
当前的深度学习算法多存在模型参数量大、对硬件要求较高等方面的问题,难以嵌入到无人机等移动设备.为了使无人机搭载轻量级模型对架空输电线路中的绝缘子进行故障识别,提出了一种轻量级MobileNet-SSD目标检测网络与轻量级MobileNetV2-DeeplabV3+图像分割网络相结合的绝缘子自爆故障识别、分割方法.该方法首先利用MobileNet-SSD对绝缘子进行精确分类及定位,再结合MobileNetV2-DeeplabV3+语义分割算法对绝缘子自爆图片进行分割.实例表明:该方法能够快速地识别出绝缘子,并可以对各种复杂背景下的自爆绝缘子进行准确分割,同时具备模型参数量小、效率高、鲁棒性强等特征,可在一定程度上满足无人机的嵌入式应用要求,提高基于无人机对架空输电线路的巡检精度和实时性.
文献关键词：
深度学习;绝缘子故障;轻量级卷积神经网络;目标检测;图像分割;无人机
中图分类号：
作者姓名：
汝承印;张仕海;张子淼;朱冶诚;梁玉真
作者机构：
天津职业技术师范大学机械工程学院,天津300222
文献出处：
引用格式：
[1]汝承印;张仕海;张子淼;朱冶诚;梁玉真-.基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法)[J].高电压技术,2022(09):3670-3679
A类：
B类：
SSD,MobileNetV2,DeeplabV3+,绝缘子故障,故障识别方法,深度学习算法,模型参数量,移动设备,搭载,轻量级模型,架空输电线路,目标检测网络,图像分割,分割网络,绝缘子自爆,自爆故障,分割方法,精确分类,语义分割,分割算法,复杂背景,嵌入式应用,应用要求,巡检,轻量级卷积神经网络
AB值：
0.254736
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。
