文献类型：期刊文章

作　　者：顾桂梅[1] 陈充[1] 余晓宁[1] 张存俊[2] 仝甄[3] 梅小芸[1]

Gu Guimei;Chen Chong;Yu Xiaoning;Zhang Cunjun;Tong Zhen;Mei Xiaoyun(School of electrical engineering and automation,Lanzhou Jiaotong University,Lanzhou,Gansu 730070,China;China Railway Lanzhou Bureau Group Co.,Ltd.,Lanzhou,Gansu 730030,China;Qingyang Power Supply Company of State Grid Gansu Electric Power Company,Qingyang,Gansu 745000,China)

机构地区：[1]兰州交通大学自动化与电气工程学院,甘肃兰州730070 [2]中国铁路兰州局集团有限公司,甘肃兰州730030 [3]国网甘肃省电力公司庆阳供电公司,甘肃庆阳745000

出　　处：《激光与光电子学进展》

基　　金：甘肃省自然科学基金(20JR10RA216);甘肃省科技计划(20JR10RA216)。

年　　份：2022

卷　　号：59

期　　号：4

起止页码：132-142

语　　种：中文

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

摘　　要：为了改善接触网管帽这类小尺度部件在故障检测过程中定位困难的情况,提出一种基于改进Faster R-CNN的接触网管帽目标定位算法。通过K均值聚类算法(K-means)对region proposal network(RPN)层中生成anchor boxes的比例及面积进行改进,所提算法在定位接触网管帽这类小部件上具有较好的表现。并通过比较VGG16、resnet50、resnet101、resnet152等4种特征提取网络在原始及改进的Faster R-CNN上定位管帽的准确率、召回率、准确率和召回率的调和平均F_(1)、单张检测时间等指标来选择最优特征提取网络。实验结果表明,基于resnet50的改进Faster R-CNN深度网络模型在接触网管帽定位中具有明显的优势,召回率为89.78%,定位准确率可以达到83.16%,F_(1)值为86.34%,单张检测时间为0.283 s。

关 键 词：图像处理 接触网管帽  定位  Faster R-CNN  K均值聚类算法 深度学习  

分 类 号：U225.1]