文献类型：期刊文章

作　　者：熊小萍[1] 许爽[1] 蒙登越[2] 韦香祥[2] 屠德然[1] 武文梁[1]

XIONG Xiaoping;XU Shuang;MENG Dengyue;WEI Xiangxiang;TU Deran;WU Wenliang(Guangxi University Electrical Engineering,Nanning 530004,China;Guangxi Power Grid Co.,Ltd..Laibin power supply bureau,Laibin Guangxi 546100,China)

机构地区：[1]广西大学电气工程学院,南宁530004 [2]广西电网有限责任公司来宾供电局,广西来宾546100

出　　处：《自动化与仪器仪表》

基　　金：国家自然科学基金资助项目资助(No.51867004)。

年　　份：2020

卷　　号：0

期　　号：3

起止页码：1-6

语　　种：中文

收录情况：ZGKJHX、普通刊

摘　　要：随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。

关 键 词：图像识别 深度卷积神经网络  FASTER R-CNN  线路缺陷识别  机器学习  

分 类 号：TP18]