基于Faster R-CNN的接触网吊弦故障检测方法

摘要：

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model,DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4％以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98％以上.

关键词：接触网吊弦、Faster R-CNN、故障检测、深度学习

所属期刊栏目：40

分类号：TP391.4(计算技术、计算机技术)

资助基金：甘肃省科技计划资助20JR10RA216

在线出版日期：2021-05-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：58-65