文献类型：期刊文章

作　　者：陈春玲[1] 杨雪[1] 周云成[1] 王俊[1] 朱浩祎[2] 苑婷[2] 于泳[2]

CHEN Chun-ling;YANG Xue;ZHOU Yun-cheng;WANG Jun;ZHU Hao-yi;YUAN Ting;YU Yong(School of Information and Electrical Engineering,Shenyang Agricultural University,Shenyang 100161,China;State Grid Panjin Power Supply Company of Liaoning Province,Panjin Liaoning 124000,China)

机构地区：[1]沈阳农业大学信息与电气工程学院,沈阳100161 [2]国网辽宁省电力有限公司盘锦供电公司,辽宁盘锦124000

出　　处：《沈阳农业大学学报》

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)

年　　份：2019

卷　　号：50

期　　号：4

起止页码：501-506

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

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、FasterR-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。

关 键 词：目标识别 绝缘子识别  深度学习  卷积神经网络 FasterR-CNN  

分 类 号：TP183]