基于Faster R-CNN的绝缘子识别探索和应用

摘要：

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一.电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用.本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用.首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、 快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural net-work,Faster R-CNN)3种用于目标识别的深度学习模型.然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性.本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径.

关键词：深度学习、区域卷积神经网络(R-CNN)、绝缘子、计算机视觉、目标识别

所属期刊栏目：12

分类号：TM717;TM621(输配电工程、电力网及电力系统)

资助基金：南方电网公司科技项目ZBKJXM20170086

在线出版日期：2019-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：22-27