典型文献
基于双模型的输电线绝缘子自爆检测算法
文献摘要：
针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法.首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位.改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息.实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2％,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持.
文献关键词：
绝缘子自爆;目标检测;Faster R-CNN;YOLO v3;CIoU Loss
中图分类号：
作者姓名：
林航;耿多飞;于浩;胡丹;张可
作者机构：
国网安徽省电力有限公司信息通信分公司,安徽 合肥 230002;安徽大学电子信息工程学院,安徽 合肥 230601;安徽南瑞继远电网技术有限公司,安徽 合肥 230094
文献出处：
引用格式：
[1]林航;耿多飞;于浩;胡丹;张可-.基于双模型的输电线绝缘子自爆检测算法)[J].计算机与现代化,2022(07):15-20
A类：
B类：
双模型,检测算法,输电线路,无人机巡检,绝缘子自爆缺陷,精准检测,Faster,YOLO,v3,缺陷检测,绝缘子串,缺陷数据,训练图像,像样,样本数量,模型泛化,泛化能力,过拟合,送入,FPN,加特,特征融合,深层特征,CIoU,Loss,损失函数,边界框,宽高比,尺度信息,检测准确率,单模,模型检测,百分点,智能化巡检,目标检测
AB值：
0.250572
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。
