文献类型：期刊文章

作　　者：张永翔[1] 吴功平[1] 刘中云[1] 杨松[2] 徐玮泽[2]

ZHANG Yongxiang;WU Gongping;LIU Zhongyun;YANG Song;XU Weize(School of Power and Mechanical Engineering,Wuhan University,Wuhan Hubei 430072,China;Baishanshi Electric Power Supply Company,State Grid Jiling Electric Power Supply Company,Baishan Jilin 134300,China)

机构地区：[1]武汉大学动力与机械学院,武汉430072 [2]国网吉林省电力有限公司白山供电公司,吉林白山134300

出　　处：《计算机应用》

基　　金：国网吉林白山供电公司220 kV松长甲线巡检机器人远程监控系统大修项目(JLZB-19JNG0185)。

年　　份：2020

卷　　号：40

期　　号：S02

起止页码：188-194

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：防震锤和线夹是输电线路自动化设备巡检过程中的重要巡检对象。针对两类目标检测时的多角度需求与样本量较少的问题,提出基于迁移学习的改进训练方法训练YOLOv3模型,降低训练时模型对防震锤与线夹样本的需求,并提高模型最终的准确性与泛化能力。首先,从不同时段、不同角度、不同季节、不同背景对防震锤和线夹线上目标开展了数据采集工作。其次,通过分析YOLOv3网络的卷积层结构,构建了多组迁移层数不同的训练模型,并在自主采集的防震锤、线夹小样本库上进行训练,之后通过比较分析,得到了最适合该小样本库的迁移学习模型。最后基于对模型实际检测图像的比较与分析,评估了通过迁移学习方法降低模型在防震锤、线夹小样本库上的训练成本的可行性。实验结果表明,通过迁移学习方法在该小样本库上训练YOLOv3网络,并在特征图等效输入层为31层时,模型的性能最好,此时模型的收敛速度比无迁移学习时提高了一倍,模型的平均精度均值(mAP)值提高了6.58%。其中防震锤单项AP值最高达到92.22%,比同类机器学习算法提高了近15%。

关 键 词：输电线路巡检 小样本学习  深度学习  迁移学习  目标检测网络  

分 类 号：TP30]