论文摘要
为了实现复杂背景下绝缘子的快速、准确识别,提出了基于卷积神经网络的绝缘子目标识别方法。该方法通过公开数据集ImageNet预训练VGGNet,并将VGGNet作为特征提取网络,预训练后用其参数初始化Faster R-CNN,通过绝缘子数据集再训练,最终用来识别绝缘子目标。此外,为了探究不同卷积网络和不同算法对试验结果的影响,除上述VGGNet和Faster R-CNN以外,还使用了AlexNet和Fast R-CNN来进行对比试验,即对比Fast R-CNN+VGGNet、Faster R-CNN+VGGNet、Faster R-CNN+AlexNet这3种网络。测试结果表明:在使用相同特征网络VGGNet时,Faster R-CNN的各项测试指标均优于Fast R-CNN,在使用相同算法Faster R-CNN时,VGGNet网络的检测指标较为理想,但识别速度稍慢于AlexNet网络。3种网络都能够达到绝缘子目标识别的目的,精确度依次为87.23%、96.66%、93.34%,召回率依次为59.42%、84.06%、49.28%,平均识别时间依次为8.48,2.70,1.40s。观察试验可知,相比其他两种算法Faster R-CNN+VGGNet检测结果较为理想,其精确度分别高出9.43%和3.32%,召回率分别高出24.64%和34.78%,说明该方法可对复杂背景下的绝缘子进行有效识别。
论文目录
文章来源
类型: 期刊论文
作者: 陈春玲,杨雪,周云成,王俊,朱浩祎,苑婷,于泳
关键词: 目标识别,绝缘子识别,深度学习,卷积神经网络
来源: 沈阳农业大学学报 2019年04期
年度: 2019
分类: 农业科技,工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 沈阳农业大学信息与电气工程学院,国网辽宁省电力有限公司盘锦供电公司
基金: 辽宁省自然科学基金计划重点项目(20170540810),国网辽宁省电力有限公司科技项目(SGLNPJ00FZJS1900381)
分类号: TP183;TM216
页码: 501-506
总页数: 6
文件大小: 3718K
下载量: 312