文献类型：期刊文章

作　　者：魏业文[1,2] 李梅[1] 解园琳[1] 戴北城[1]

WEI Yewen;LI Mei;XIE Yuanlin;DAI Beicheng(College of Electrical Engineering&New Energy,China Three Gorges University,Yichang 443002,China;Hubei Provincial Engineering Technology Research Center for Power Transmission Line(China Three Gorges University),Yichang 443002,China)

机构地区：[1]三峡大学电气与新能源学院,湖北宜昌443002 [2]湖北省输电线路工程技术研究中心(三峡大学),湖北宜昌443002

出　　处：《电力工程技术》

基　　金：国家自然科学基金资助项目(52007102);湖北省重点研发计划资助项目(2020BAB110)。

年　　份：2022

卷　　号：41

期　　号：2

起止页码：171-178

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统输电线路目标巡检图像识别方法响应速度慢、准确率不高的问题,文中提出一种改进的更快速区域卷积神经网络(Faster-RCNN)深度学习识别算法。通过轻量化卷积神经网络(ZFnet)提取图像特征,并重置模型参数以获取更多目标细节;利用Faster-RCNN对目标进行检测,由子网络区域提议模型生成目标候选框和快速区域卷积神经网络(Fast-RCNN)进行参数调优,并在Faster-RCNN输出部分引入精炼阶段,增加目标特征的分类细化和回归细化,将存在目标的多个边界框合并,实现精确分类以及坐标定位。实验结果表明:改进Faster-RCNN算法可有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1 s内。与图像识别法或单步多阶目标检测(SSD)、实时快速目标检测(YOLO)深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线路智能巡检中具有一定的优越性。

关 键 词：输电线路巡检 图像识别 深度学习  卷积神经网络 特征提取 区域提议网络  

分 类 号：TM755]