融合多层卷积特征的绝缘子目标检测

发布时间：2020-12-13 03:48

　　提出了一种基于多层卷积特征融合的Faster R-CNN绝缘子检测算法,首先对卷积神经网络中包含更多目标细节信息的浅层特征图与特征信息更加明显的深层特征图进行融合,提高算法对目标特征的提取能力;然后根据绝缘子的形状特点改进锚框的比例,减小锚框尺寸,提升对小尺度绝缘子的检测能力,并在训练过程中加入多尺度训练,降低不同尺度绝缘子对识别率的影响。结果表明,在检测速度基本不变的情况下,所提出的算法平均精度均值（mAP）可达93.6%,比原始算法Faster R-CNN高出6.8%,对多尺度绝缘子的识别性能更优。 

【文章来源】：中国科技论文. 2020年07期 北大核心

【文章页数】：7 页

【部分图文】：

绝缘子目标检测算法的网络模型流程

本文选取ZF网络作为卷积网络的模型,ZF网络模型结构如图2所示。输入224×224（像素）、3通道图像，经过96层、大小为7×7、步长为2的卷积核卷积后输出大小为110×110×96（像素）的图像，对每层卷积层通过激活函数、归一化、最大池化（max pool）、对比度归一化（contrast normalized）进行处理，并对之后的第3～5层进行类似的操作。第6层和第7层为全连接层，最终通过Softmax函数将分类结果输出。

RPN结构

【参考文献】：
期刊论文
[1]基于Faster R-CNN的航拍图像中绝缘子识别[J]. 程海燕,翟永杰,陈瑞.  现代电子技术. 2019(02)
[2]输电线路绝缘子自爆缺陷识别方法[J]. 侯春萍,章衡光,张巍,杨阳,张贵峰,田治仁.  电力系统及其自动化学报. 2019(06)
[3]基于骨架提取的航拍绝缘子图像分步识别方法[J]. 翟永杰,王迪,伍洋,程海燕.  华北电力大学学报(自然科学版). 2015(03)

硕士论文
[1]基于计算机视觉的输电线路异常巡检图的识别和研究[D]. 张凤羽.吉林大学 2015



本文编号：2913838