基于RCNN的无人机巡检图像电力小部件识别研究
随着无人机（UAV)在电力巡线作业中的应用推广，对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法，如支持向量机（SVM）、随机森林或adaboost，结合梯度、颜色或纹理等浅层特征来对电力部件进行识别，难以充分利用无人机巡检图像的信息，并且难以达到较高的准确率。卷积神经网络（CNN）在目标识别中表现优异，在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络（RCNN）通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标，但是计算复杂，难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征，后接一个区域提议层，优化了提取可能含有目标区域的方式并改进识别目标的分类器，使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程，并在无人机电力线巡检图像部件检测中使用，然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析，利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证，并讨论了不同参数对识别结果的影响。实验结果表明，基于深度学习的识别方法实现电力小部件的识别是可行的，而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。
深度学习、RCNN、卷积神经网络、无人机巡检图像、电力部件识别
19
TP3;TM7
2014年国家电网公司发展项目“无人机巡检实用化关键技术及检测体系研究”。
2017-03-29（万方平台首次上网日期，不代表论文的发表时间）
共8页
256-263
