典型文献
基于YOLO-V5的输电线路可视化中视觉分析关键技术的研究及应用
文献摘要：
为解决输电线路巡检中以往单一的人工巡线模式和传统视频监控模式实时性、准确性差的问题,本文探索了一种基于深度学习框架YOLO-V5的输电线路隐患目标检测算法,该算法能够对输电线路存在的各类隐患进行较为准确的预警.本研究在对17386张包含各类输电线路隐患的图像进行细致化标注与图像扩增后,使用YOLO-V5在COCO数据集上的预训练模型进行训练,并经过两次学习率的调整后得到最终收敛的模型.该模型在对包含6933张各类输电线路隐患图像和无隐患图像的测试集进行分析后,最终预测结果表明综合准确率为79.10％,综合.召回率为73.45％,漏检率为3.93％,误检率为4.97％.本文所提出的隐患识别模型可以对输电线路隐患进行实时识别,识别准确率较高,误报、漏报率较低,能够有效提升输电线路运检效率.
文献关键词：
输电线路隐患;输电线路可视化;目标检测;隐患识别;神经网络
中图分类号：
作者姓名：
迟钰坤;王倩倩;焦之明;纪洪伟;巩方波;陈杰
作者机构：
山东鲁软数字科技有限公司,山东济南250000
文献出处：
引用格式：
[1]迟钰坤;王倩倩;焦之明;纪洪伟;巩方波;陈杰-.基于YOLO-V5的输电线路可视化中视觉分析关键技术的研究及应用)[J].电力大数据,2022(11):20-28
A类：
输电线路隐患
B类：
YOLO,V5,输电线路可视化,中视,视觉分析,研究及应用,输电线路巡检,巡线,线模,视频监控,监控模式,深度学习框架,目标检测算法,图像扩增,COCO,预训练模型,学习率,测试集,召回率,漏检率,误检率,隐患识别,识别模型,实时识别,识别准确率,误报,漏报率,输电线路运检
AB值：
0.283857
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。
