文献类型：期刊文章

作　　者：李海峰[1] 武剑灵[2] 李立学[3]

LI Haifeng;WU Jianling;LI Lixue(Maintenance Company of State Grid Heilongjiang Electric Power Co.,Ltd.,Harbin,Heilongjiang 150090,China;Inner Mongolia’s Ultra High Voltage Power Supply Bureau,Hohhot,Inner Mongolia 010000,China;Shanghai Jiaotong University,Shanghai 200240,China)

机构地区：[1]国网黑龙江省电力有限公司检修公司,黑龙江哈尔滨150090 [2]内蒙古超高压供电局,内蒙古呼和浩特010000 [3]上海交通大学,上海200240

出　　处：《广东电力》

基　　金：国网黑龙江电力有限公司科技项目(SGTYHT/16-JS-198)。

年　　份：2021

卷　　号：34

期　　号：2

起止页码：92-100

语　　种：中文

收录情况：IC、RCCSE、UPD、ZGKJHX、普通刊

摘　　要：基于对YOLOv3深度学习神经网络结构的优化,提出一种新的YOLOv3-ad图像识别算法模型,来缓解输电线路场景从高空所拍摄图片中小目标检测精度不高的问题。该算法模型首先通过降低降采样次数来避免图像中细节丰富度的减少,其次添加辅助激励(assisted excitation,AE)层引导模型训练难度曲线,然后将原始残差模块替换为新的高性能残差结构,再结合Dense模块丰富特征的传递,使模型能够存留更加丰富的图像特征,加强对尺寸较小物体的关注。从输电线路现场实测图像数据的实验结果看,在COCO数据测试集上,所提YOLOv3-ad模型较YOLOv3模型的性能高出3%;对于小目标检测,该模型较YOLOv3模型高7%,在其他尺寸目标的检测上也高3%。总体来看,所提模型相比于YOLOv3模型在整体检测准确率提升的同时,进一步加强了小目标的检测精度,可以更有针对性地缓解输电线路监控中的目标检测问题。

关 键 词：输电线路 图像识别 外力破坏 小目标  YOLOv3  

分 类 号：TM726.3] TP391.41]