典型文献
基于深度迁移学习的电力作业安全带佩戴检测
文献摘要：
在高空电力检修作业中会出现工人未按规定佩戴安全带的情况,存在严重的安全隐患.为此提出基于深度学习的安全带佩戴检测方法,针对深度学习中存在的样本依赖与超参数敏感问题,引入迁移学习以及群优化算法.首先通过重构预训练残差网络的卷积层与全连接层提出三种不同Fine-tuning迁移学习方法,再提出差分动态哈里斯鹰优化算法对三种方法构造的模型在自构建数据集上训练并进行超参数寻优,最后将超参数配置的模型应用到安全带佩戴检测中.仿真结果证明,差分动态哈里斯鹰算法可以实现较好的超参数寻优效果,并且在数据集较少的情况下该方法也能实现较高准确率的检测效果.
文献关键词：
安全带佩戴检测;深度学习;迁移学习;差分动态哈里斯鹰优化算法
中图分类号：
作者姓名：
潘志敏;王梓糠;蒋毅;尹骏刚
作者机构：
国网湖南省电力有限公司检修公司,湖南 长沙410004;长沙理工大学电气与信息工程学院,湖南 长沙410114;湖南大学电气与信息工程学院,湖南 长沙410082
文献出处：
引用格式：
[1]潘志敏;王梓糠;蒋毅;尹骏刚-.基于深度迁移学习的电力作业安全带佩戴检测)[J].计算机仿真,2022(05):95-101
A类：
差分动态哈里斯鹰优化算法,差分动态哈里斯鹰算法
B类：
深度迁移学习,电力作业,作业安全,安全带佩戴检测,电力检修,检修作业,按规定,预训练,残差网络,卷积层,全连接层,Fine,tuning,迁移学习方法,出差,三种方法,超参数寻优,参数配置,模型应用,优效,检测效果
AB值：
0.250928
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。
