典型文献
基于卷积神经网络与ECOC-SVM的输电线路异物检测
文献摘要：
输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法.首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析.所用方法在4类异物上的平均识别准确率可达93.3％,有助于提高输电线路运维的效率.
文献关键词：
输电线路;异物检测;DenseNet201;卷积神经网络;ECOC-SVM
中图分类号：
作者姓名：
余沿臻;邱志斌;周银彪;朱轩;王青
作者机构：
南昌大学能源与电气工程系,江西南昌 330031;国网江西省电力有限公司,江西南昌 330000
文献出处：
引用格式：
[1]余沿臻;邱志斌;周银彪;朱轩;王青-.基于卷积神经网络与ECOC-SVM的输电线路异物检测)[J].智慧电力,2022(03):87-92,107
A类：
B类：
ECOC,异物检测,悬挂,单相接地,相间短路,停电事故,气球,风筝,鸟巢,图像数据集,Otsu,自适应阈值分割,形态学处理,感兴趣区域,DenseNet201,识别准确率,输电线路运维
AB值：
0.223354
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。
