基于改进YOLOv3模型的电厂生产区域漏水、漏油检测

摘要：

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.

关键词：深度学习、漏水漏油检测、YOLOv3、多尺度特征融合、Inception结构

所属期刊栏目：34

分类号：TM62;TP391.41(发电、发电厂)

资助基金：南方电网调峰调频发电有限公司科技项目020000KK52190017

在线出版日期：2021-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：55-64