典型文献
基于机器视觉的配网工程安全管控检测方法
文献摘要：
针对配电网工程在施工现场受外界环境干扰因素多、现场监管难度大等问题,提出了一种基于改进的YOLOv5网络模型的配电网工程实时检测方法,并对配电网工程图像精确识别及缺陷检测进行了研究.首先,对配电网工程现场样本数据集进行标注,改进YOLOv5网络的特征提取网络,以加快多尺度融合并提高小目标物体检测的精度.在此基础上,改进损失函数、非极大值抑制模块,提高模型的识别精度与收敛速度.最后,经过Darknet深度学习模型对识别样本进行多次迭代训练,保存最优权重数据用于测试集的测试.算法通过TensorBoard可视化工具显示训练和测试结果.测试结果表明,每种配电网样本的平均识别准确率可达到95％以上,图片的识别速度可达到140帧/s.同时,所改进算法检测准确率高,实时性强,满足工程现场实时使用需求.
文献关键词：
配电网工程;YOLOv5;损失函数;目标检测
中图分类号：
作者姓名：
马静;王庆杰;孟海磊;王栩成;董啸;赵文越;任敬飞
作者机构：
华北电力大学电气与电子工程学院,北京市昌平区 102206;国家电网有限公司,北京市西城区 100031;国网山东省电力公司,山东省济南市 250001
文献出处：
引用格式：
[1]马静;王庆杰;孟海磊;王栩成;董啸;赵文越;任敬飞-.基于机器视觉的配网工程安全管控检测方法)[J].现代电力,2022(06):685-693
A类：
TensorBoard
B类：
机器视觉,配网工程,工程安全,安全管控,配电网工程,施工现场,外界环境,环境干扰,干扰因素,现场监管,YOLOv5,实时检测,工程图,精确识别,缺陷检测,工程现场,样本数据集,特征提取网络,多尺度融合,高小,小目标,物体检测,损失函数,非极大值抑制,识别精度,收敛速度,Darknet,深度学习模型,别样,多次迭代,迭代训练,最优权重,权重数,测试集,可视化工具,识别准确率,改进算法,检测准确率,使用需求,目标检测
AB值：
0.398115
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。
