铁塔航拍图像中鸟巢的YOLOv3识别研究
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.12052/gdutxb.190128

铁塔航拍图像中鸟巢的YOLOv3识别研究

引用
电力铁塔上的鸟巢、风筝等异物会严重影响电力架空输电线路的安全性.无人机在巡检过程中会针对电力铁塔进行专门拍照,检测识别铁塔上是否存在鸟巢等异物.针对经典YOLOv3算法在识别铁塔航拍图像中的鸟巢时存在识别精度不高、识别效率偏低、权重参数规模过大等不足,提出了改进方法.首先,设计了改进算法的总体架构,并构建了图像数据集;其次,分别从预测框的宽高损失函数、预测类别不平衡损失函数和神经网络结构等3个方面对经典YOLOv3算法进行改进.实验结果表明,本文的改进措施切实有效,可以在提高识别精度的同时大幅度减小权重参数规模,且识别效率良好.此外,对YOLOv3的改进方法而言,改进其神经网络结构的效果明显好于其他改进措施,为将来在无人机巡检过程中实现实时检测识别目标物奠定了重要基础.

高压电力线巡检、图像检测、鸟巢识别、YOLOv3算法、神经网络

37

TP391.41(计算技术、计算机技术)

广东省自然科学基金资助项目;广东省高性能计算重点实验室开放项目;广东省哲学社会科学规划学科共建项目

2020-06-08(万方平台首次上网日期,不代表论文的发表时间)

共7页

42-48

相关文献
评论
暂无封面信息
查看本期封面目录

广东工业大学学报

1007-7162

44-1428/T

37

2020,37(3)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn