文献类型：期刊文章

作　　者：汤踊[1] 韩军[1] 魏文力[2] 丁建[2] 彭新俊[1]

Tang Yong;Han Jun;Wei Wenli;Ding Jian;Peng Xinjun(School of Communication and Information Engineering, Shanghai University, Shanghai 200444, China;State Grid Zhejiang Electric Power Company Maintenance Branch, Hangzhou 310007, China)

机构地区：[1]上海大学通信与信息工程学院,上海200444 [2]国网浙江省电力公司检修分公司,杭州310007

出　　处：《电子测量技术》

基　　金：国家自然科学基金(61471230)项目资助

年　　份：2018

卷　　号：41

期　　号：6

起止页码：60-65

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：输电线路稳定运行是保障电力系统安全的重要环节之一,经典的机器学习算法对输电线路部件识别与分类准确率和效率都比较低。针对这一问题,选取了具有识别与分类功能的区域卷积神经网络（Faster-RCNN）来对部件进行识别与分类,研究了不同网络模型在输电线路中对不同部件的识别准确率和识别时间,结合实验结果,根据识别准确率和识别时间的优劣选取最佳网络模型,然后就如何提高模型的识别准确率和缩短识别时间展开研究,提出两种方法：通过调整CNN模型的卷积核大小和图像的旋转变换扩充数据集,实验结果表明两种方法都能有效的提高了输电线路巡检中的部件识别与缺陷检测的有效性和可靠性。利用无人机实际采集的图像进行识别和分类实验,实验结果表明深度学习方法在高压输电线路部件的识别与缺陷检测中的有效性和可靠性都非常高,Faster R-CNN进行部件识别与缺陷检测可以达到每张近0.17s的识别速度,对均压环的识别率最高可达到96.8%,mAP最高可以达到93.72%。

关 键 词：Faster-RCNN  网络模型 深度学习  有效性 可靠性

分 类 号：TP391.4] TN081[计算机类]