文献类型：期刊文章

作　　者：罗鹏[1] 王波[1] 马恒瑞[2] 马富齐[1] 王红霞[1] 朱丹蕾[3]

LUO Peng;WANG Bo;MA Hengrui;MA Fuqi;WANG Hongxia;ZHU Danlei(School of Electrical Engineering and Automation,Wuhan University,Wuhan 430072,China;Tus-Institute for Renewable Energy,Qinghai University,Xining 810016,China;Central Southern China Electric Power Design Institute Co.,Ltd.of Engineering Consulting Group,Wuhan 430071,China)

机构地区：[1]武汉大学电气与自动化学院,武汉430072 [2]青海大学启迪新能源学院,西宁810016 [3]中国电力工程顾问集团中南电力设计院有限公司,武汉430071

出　　处：《高电压技术》

基　　金：国家自然科学基金(51777142;51907096)。

年　　份：2021

卷　　号：47

期　　号：2

起止页码：454-462

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对输电线路机巡影像缺陷识别中低漏报率的需求,提出了一种基于组合式深度目标检测框架的输电线路低漏报率缺陷识别方法。该方法首先利用典型目标检测算法在输电线路巡检图像数据集上进行训练,得到输电线路设备缺陷的特征提取网络;随后引入位置随机分布函数改进目标预测的方式,并利用自适应非极大值抑制判别器,对2个网络的特征提取结果进行自适应融合,最终得到巡检图片中缺陷的类型和位置。测试结果表明,该方法能够有效降低巡检图像缺陷识别的漏报率,采用该方法得到的主要缺陷的平均漏报率远低于其他深度学习模型,可同时实现多类缺陷的检测,能有效促进输电线路常规巡检中缺陷自动识别的应用和推广。

关 键 词：电力深度视觉  低漏报率  组合神经网络 缺陷识别  自适应融合 输电线路

分 类 号：TP391.41] TM75[计算机类]