10.13336/j.1003-6520.hve.20201387
基于定点化自适应选择卷积神经网络的电力缺陷识别方法
无人机(unmanned aerial vehicle,UAV)电力巡检时的图像数据量急剧增加,为使深度卷积神经网络(deep convolutional neural network,DCN-N)在低功耗的前提下仍能准确识别出电力缺陷,将重点改进传统DCNN算法,以减少机载前端平台中DCNN模型的计算成本,有效提高电力缺陷识别的运行速度,进而延长巡检无人机的续航里程.首先将卷积网络中的浮点运算进行定点化近似,然后通过快速机器学习算法对DCNN模型的输入图像进行自适应选择,最后通过实验对所提方法进行了验证.实验结果证明,DCNN模型经8比特定点优化和自适应选择选择策略后的准确率达88.2%,推理时间缩短了65.9%,能耗减少了71.9%,查准率提高了9.8%.所设计的定点化DCNN模型自适应选择策略不仅能节约电力巡检系统的功耗,而且能提高电力缺陷识别的精度.
无人机;电力巡检;深度卷积神经网络;定点化;自适应选择;缺陷识别
47
国家电网公司科技指南项目5500-202018082A-0-0-00
2022-01-13(万方平台首次上网日期,不代表论文的发表时间)
共9页
3827-3835