基于U-Net网络和椭圆度量学习的防震锤锈蚀识别

摘要：

高压输电线路中金属锈蚀会严重危害输电线路的安全运行.针对高压输电线背景复杂、缺乏有效锈蚀检测手段以及锈蚀检测准确率低等问题,提出了一种基于U-Net网络和度量学习的高压输电线防震锤锈蚀检测方法.相比其他深度网络,U-Net网络的参数量较少且直观,在小样本下具有较优的性能,利用U-Net网络可以将复杂背景条件下的高压输电线路中的防震锤完整分割出来.对分割后的防震锤图像提取HSV颜色特征和LBP纹理特征,并引入能够反映样本空间结构信息或语义信息的椭圆度量,通过椭圆度量学习实现高压输电线防震锤锈蚀的识别.实验结果表明,相比于支持向量机、BP神经网络、决策树等检测方法,该方法能够高效、准确地识别复杂背景环境下的高压输电线防震锤锈蚀.

关键词：锈蚀检测、高压输电线防震锤、U-Net网络、HSV颜色特征、LBP纹理特征、度量学习

所属期刊栏目：30

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学青年基金61401001

在线出版日期：2020-12-15（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：163-167