典型文献
深度学习在受电弓弓头故障检测与分类中的应用
文献摘要：
针对因受电弓弓头形变与损坏而影响列车的安全可靠运行,提出基于深度学习的检测方法.通过采集到的列车运行中受电弓的监控视频以及实验室模拟的受电弓视频经滤波后制作数据集,任务中受电弓弓头的分类为三类,包括弓头完整,弓头残缺与弓头变形.采用基于YOLOv4与Faster R-CNN的目标检测算法对受电弓弓头进行检测.其中YOLOv4算法mAP为93.58％,Faster R-CNN算法mAP为96.85％.考虑到实际工程应用中相机采集位置与受电弓位置相对固定,所以提出另一种通过截取受电弓弓头区域再使用分类网络进行分类的方法,分类网络包括ResNet152、VGG16和MobileNetv2.三个分类网络的正确率、准确率、召回率几乎都能达到90％以上.
文献关键词：
深度学习;受电弓弓头;图像检测;图像分类
中图分类号：
作者姓名：
寇皓为;苏燕辰;李恒奎;陈国俊;邓越
作者机构：
西南交通大学机械工程学院,成都 610031;中车青岛四方机车车辆股份有限公司,山东青岛 266111
文献出处：
引用格式：
[1]寇皓为;苏燕辰;李恒奎;陈国俊;邓越-.深度学习在受电弓弓头故障检测与分类中的应用)[J].激光杂志,2022(06):53-58
A类：
B类：
受电弓弓头,故障检测与分类,可靠运行,列车运行,监控视频,实验室模拟,作数,残缺,YOLOv4,Faster,目标检测算法,mAP,实际工程应用,机采,截取,分类网络,ResNet152,VGG16,MobileNetv2,召回率,图像检测,图像分类
AB值：
0.330635
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。
