10.3969/j.issn.1007-290X.2021.006.007
基于改进YOLOv3模型的电厂生产区域漏水、漏油检测
当前电厂漏水、漏油检测方法大多基于光学、声学、红外等技术,使用各类传感器进行检测,检测结果易受外界影响,且不具有经济性.目前计算机视觉、深度学习等技术在漏水、漏油检测中的研究应用还处于发展阶段,而且将主流网络直接迁移到电力领域中难度高,识别精度较低,难以满足实际需求.针对以上问题,利用YOLOv3网络模型具有高检测速度和高识别精度的优势,在原始网络基础上,提出一种多尺度特征融合的改进网络,通过提取浅层网络中更多的细粒度和深层网络中更丰富的语义信息,实现漏水、漏油目标检测,提高了模型的鲁棒性.同时在检测网络中引入Inception结构,减少模型参数量,增加网络的深度和宽度.最后通过实验,证明模型检测速度达到46帧/s,识别精度达到98.1%,能较好地满足电厂中漏水、漏油检测的精度和实时性要求.
深度学习、漏水漏油检测、YOLOv3、多尺度特征融合、Inception结构
34
TM62;TP391.41(发电、发电厂)
南方电网调峰调频发电有限公司科技项目020000KK52190017
2021-07-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
55-64