基于迁移学习的电气元件识别方法研究

摘要：

电气元件识别是电控柜自动布线机的关键一步.由于采用普通深度学习训练小样本集可能出现过拟合,所以将VGG16、ResNet50模型迁移到电气元件识别领域,再利用网络手术技术分别将基于VGG16、ResNet50迁移模型的分类器替换成极限学习机.普通深度学习模型VGG16、ResNet50识别准确率分别为68.27％和72.94％;迁移学习模型识别准确率对比普通深度学习分别调高了18.89％、17.28％;使用迁移学习和ELM结合方法,准确率比对应迁移模型分别提高了5.56％、7.16％.结果表明,迁移学习更适合小样本电气元件的识别,并且迁移学习和ELM相结合的方法可进一步提高准确率.

关键词：电气元件、识别、普通深度学习、迁移学习、极限学习机

所属期刊栏目：46

分类号：TP391.4(计算技术、计算机技术)

资助基金：吉林省科技发展计划项目20190302069GX

在线出版日期：2023-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：73-80