典型文献
基于 Fine Mask RCNN 的 110～220kV输电铁塔涉鸟故障识别与评估
文献摘要：
随机突发的输电铁塔鸟害事故通常较难应急处理,传统的鸟害事故图像处理算法泛化能力弱,而现有的深度学习检测算法应用对象又较为单一,因此,亟需稳定有效地实现输电铁塔全类别鸟害事故辨识.鉴于此,该文提出一种基于精细化的掩膜区域卷积神经网络(fine mask regions with convolutional neural network features,Fine Mask RCNN)的110～220kV输电铁塔涉鸟故障识别与评估算法.该方法首先通过残差模块(residual network-50,ResNet-50)+特征金字塔网络(feature pyramid networks,FPN)感知巡检影像特征;其次,针对Mask RCNN细节信息丢失的问题,引入具有多尺度卷积核运算的信息融合模块进行丢失信息补偿,增强网络模型对于输入影像的特征表达与提取;最后,根据Fine Mask RCNN识别结果,结合传统图像处理技术,实现鸟巢类故障、鸟啄类和鸟粪污染绝缘子类故障评估与结果修正,形成了由故障识别到评估的一体化机制.实验结果表明,相较于掩膜区域卷积神经网络(Mask RCNN)、快速地区域卷积神经网络(Faster RCNN)和 RetinaNet 目标检测算法,Fine Mask RCNN算法的准确度均值(average precision,Ap)可达93.8％,实现了输电铁塔涉鸟故障的智能辨识和分析处理,具有更加稳健的检测性能和现场实用价值.
文献关键词：
绝缘子;涉鸟故障;输电线路;Fine Mask RCNN;深度学习
中图分类号：
作者姓名：
张烨;高玉菡;黄新波;李京昭;李博涛;孙苏珍
作者机构：
西安工程大学电子信息学院,陕西省西安市710048;国网陕西电力汉中供电公司,陕西省 汉中市723000
文献出处：
引用格式：
[1]张烨;高玉菡;黄新波;李京昭;李博涛;孙苏珍-.基于 Fine Mask RCNN 的 110～220kV输电铁塔涉鸟故障识别与评估)[J].电网技术,2022(06):2132-2140
A类：
B类：
Fine,Mask,RCNN,220kV,输电铁塔,涉鸟故障,故障识别,鸟害,应急处理,图像处理算法,泛化能力,算法应用,掩膜区域卷积神经网络,fine,mask,regions,convolutional,neural,features,评估算法,残差模块,residual,ResNet,特征金字塔网络,pyramid,networks,FPN,巡检,影像特征,细节信息,信息丢失,多尺度卷积核,信息融合,失信,信息补偿,特征表达,图像处理技术,鸟巢,鸟粪,粪污,绝缘子,子类,故障评估,结果修正,一体化机制,Faster,RetinaNet,目标检测算法,average,precision,Ap,智能辨识,分析处理,检测性能,输电线路
AB值：
0.365684
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。
