典型文献
基于域适应网络的电力设备不规则外表面缺陷高精度检测方法
文献摘要：
电力设备外表面不规则缺陷具有特征不明显、形态多变的特点,当前常规端到端的图像识别算法表现出特征提取能力不足、泛化性差等问题.为此,提出了一种基于域适应网络的设备外表面不规则缺陷图像检测模型.该模型首先构建了包含特征生成器和分类器的域适应架构,以增强模型的泛化能力;然后通过添加纹理提取支路、辅助损失支路的方式增强特征生成器对纹理信息的提取能力;最后通过模型的对抗学习,实现在目标域上的准确识别.测试结果表明,所提方法能在角度、光照差异较大的目标域锈蚀和渗漏油图像中依然保持较高的识别精度,其中针对漏油、锈蚀隐患交并比指标分别达到了 89％、85％.所提模型可为设备缺陷检测提供参考.
文献关键词：
不规则缺陷;域适应;电力深度视觉;纹理特征;缺陷识别;卷积神经网络
中图分类号：
作者姓名：
张迎晨;王波;马富齐;罗鹏;张嘉鑫;李怡凡
作者机构：
武汉大学电气与自动化学院,武汉430072
文献出处：
引用格式：
[1]张迎晨;王波;马富齐;罗鹏;张嘉鑫;李怡凡-.基于域适应网络的电力设备不规则外表面缺陷高精度检测方法)[J].高电压技术,2022(11):4516-4526
A类：
不规则缺陷,电力深度视觉
B类：
域适应,电力设备,外表面,表面缺陷,高精度检测,具有特征,形态多变,端到端,图像识别,识别算法,特征提取能力,泛化性,图像检测,检测模型,特征生成,生成器,分类器,增强模型,泛化能力,纹理提取,支路,纹理信息,对抗学习,目标域,准确识别,锈蚀,渗漏油,识别精度,交并比,缺陷检测,纹理特征,缺陷识别
AB值：
0.358475
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。
