典型文献
基于深度学习的高压输电线路防振锤检测
文献摘要：
为识别距离较近的防振锤,提出基于改进YOLOv4的防振锤自动检测方法.YOLOv4方法采用具有固定阈值的非极大值抑制方法选取检测框,较低的阈值会导致丢失高度重叠的目标,而较高的阈值则会导致更多的误检.为此,提出动态非极大值抑制方法,并将其应用于YOLOv4目标检测.该方法根据目标周围检测框的统计特性确定出动态阈值,提高边界框选择的准确性,降低高度重叠防振锤检测中的错检和漏检概率.为进一步提高防振锤检测精度,采用分段线性函数作为激活函数,克服YOLOv4算法中Leaky ReLU函数对负值处理不理想且函数曲线不平滑的问题,增强了模型的非线性表达能力.结果表明:基于改进YOLOv4的防振锤目标检测方法能够很好地检测出重叠的防振锤.且检测精度更高.
文献关键词：
防振锤检测;深度学习;YOLOv4算法;非极大值抑制
中图分类号：
作者姓名：
贾雁飞;陈广大;杨淼;邢砾云;赵立权;李帅洋
作者机构：
北华大学电气与信息工程学院,吉林吉林132013;东北电力大学电气工程学院,吉林吉林132012
文献出处：
引用格式：
[1]贾雁飞;陈广大;杨淼;邢砾云;赵立权;李帅洋-.基于深度学习的高压输电线路防振锤检测)[J].机床与液压,2022(13):21-25
A类：
防振锤检测
B类：
高压输电线路,YOLOv4,自动检测,固定阈值,非极大值抑制,抑制方法,出动,统计特性,动态阈值,边界框,框选,漏检概率,检测精度,分段线性函数,激活函数,Leaky,ReLU,负值,线性表达,表达能力,目标检测方法
AB值：
0.27598
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。
