10.3969/j.issn.1001-4373.2022.01.009
基于深度学习的接触网吊弦线夹状态识别
针对人工检查接触网吊弦线夹缺陷耗时耗力且效率低下的问题,提出利用深度学习实现吊弦线夹状态分类的方法.首先利用加入特征金字塔和K-means算法改进的Faster R-CNN算法准确地定位到吊弦线夹,然后采用加入SENet注意力机制模块的Inception-ResNet-V2网络对接触网吊弦线夹螺母的缺失、松脱、正常三种状态进行高效准确的自动分类,达到计算机辅助检查的效果.仿真实验结果表明:该方法对吊弦线夹三种状态的分类准确率较高,平均准确率达到了 96.61%,并具有高精度、易泛化的特点,为接触网零部件的缺陷检测任务奠定了必要的基础.
接触网吊弦线夹、状态分类、深度学习、特征金字塔、K-means、SENet注意力机制、Inception-ResNet-V2网络
41
U226.8(电气化铁路)
甘肃省科技计划20JR10RA216
2022-04-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
61-67