基于改进GoogLeNet模型的电气设备红外图像分割与识别

摘要：

针对红外电气设备图像对比度低和信噪比低导致图像识别率不高的问题,提出一种改进的红外图像分割与识别方法.首先通过K均值聚类结合区域生长算法实现对图像的预处理,通过GoogLeNet网络对图像特征进行提取;其次在图像识别阶段,为提高识别率,引入超参数构建联合损失函数,以此改进GoogLeNet网络训练的识别率;最后搭建深度学习算法实验环境,并以实验室搜集的电气设备红外故障图像为例对图像进行识别.结果表明,所提方法可有效提取图像特征,并且识别率要明显高于improve_cnn、VggNet、AlexNet 3种模型.

关键词：卷积神经网络、GoogLeNet模型、联合损失参数、区域生长

所属期刊栏目：51

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：126-130