基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测

发布时间：2020-12-14 02:57

　　为了提升无人机巡检架空线路的效率,提高架空线路销钉缺陷检出率,提出了一种基于改进Faster-RCNN算法的无人机巡检架空线路销钉缺陷检测方法。针对无人机巡检图像背景大、销钉目标尺寸小的特点,通过以深度残差网络ResNet101作为前置特征提取网络,增大训练图像尺度,建立特征金字塔融合多尺度特征,以K-means算法优化初始锚框,对Faster-RCNN算法进行改进;并用实际无人机巡检图像进行实验测试。实验结果表明,该方法对无人机巡检图像中销钉缺陷有较好的检测效果,在测试数据集上检测精确度达到93.6%,召回率达到89.8%,泛化能力较强,相比现有其他常见目标检测方法,检测效果更好。 

【文章来源】：高电压技术. 2020年09期 北大核心

【文章页数】：8 页

【部分图文】：

残差模块

多尺度特征融合

本实验硬件配置为：GPU:Nvidia GTX1080Ti,11G显存；CPU:Intel Core i7-8700K,3.70GHZ主频；软件平台为Ubuntu 16.04。基于Tensorflow框架搭建改进Faster-RCNN目标检测网络，前置特征网络采取迁移学习[20]策略，在Image Net数据集上预训练的网络参数上微调，可在一定程度上提高训练收敛速度。初始学习率设定为0.001，优化策略为随机梯度下降法[21](stochastic gradient descent,SGD)，其中参数ε设置为10-5，冲量设置为0.9，总训练步数为110 000，通过K-means聚类优化初始锚框参数，dropout等其他常规参数与原始Faster-RCNN保持一致。训练过程采用4步法交替训练RCNN网络与RPN网络：1）单独训练RPN网络，CNN网络用Image Net预训练的模型作初始化；2）单独训练RCNN网络，使用第1次训练的RPN网络所生成的区域建议框，同样采用Image Net预训练的模型初始化CNN网络；3）第2次训练RPN网络，使用第2）步得到的模型初始化CNN网络并固定模型参数，仅改变RPN网络的参数；4）第2次训练RCNN网络，仍保持CNN网络参数固定，仅改变RCNN网络的参数。

【参考文献】：
期刊论文
[1]基于辅助数据RetinaNet算法的销钉缺陷智能识别[J]. 王凯,王健,刘刚,周文青,何卓阳.  广东电力. 2019(09)
[2]基于TensorFlow的高压输电线路异物识别[J]. 龚钢军,张帅,吴秋新,陈志敏,刘韧,苏畅.  电力自动化设备. 2019(04)
[3]无人机在输电线路巡检中应用的探索[J]. 陈泌垽,范菁.  电工技术. 2019(03)
[4]适用于无人机巡检图像的输电线路螺栓检测方法[J]. 冯敏,罗旺,余磊,张佩,郝小龙,樊强,彭启伟,张天兵,曹玲玲.  电力科学与技术学报. 2018(04)
[5]基于红蓝色差和改进K-means算法的航拍绝缘子分类识别方法[J]. 黄新波,刘新慧,张烨,李菊清,张慧莹,邢晓强.  高电压技术. 2018(05)
[6]电力设备状态大数据分析的研究和应用[J]. 江秀臣,盛戈皞.  高电压技术. 2018(04)
[7]深度学习在输电线路中部件识别与缺陷检测的研究[J]. 汤踊,韩军,魏文力,丁建,彭新俊.  电子测量技术. 2018(06)
[8]结合深度学习和随机森林的电力设备图像识别[J]. 李军锋,王钦若,李敏.  高电压技术. 2017(11)
[9]架空输电线路机器人全自主巡检系统及示范应用[J]. 彭向阳,钱金菊,吴功平,麦晓明,魏莱,饶章权.  高电压技术. 2017(08)
[10]大型无人机电力巡检LiDAR点云安全距离诊断方法[J]. 陈驰,彭向阳,宋爽,王柯,钱金菊,杨必胜.  电网技术. 2017(08)

硕士论文
[1]深度学习在输电铁塔关键部件缺陷检测中的应用研究[D]. 王子昊.中国民航大学 2018
[2]基于一种改进的Hough变换的输电线路图像中导线识别研究[D]. 黄东芳.广西大学 2016



本文编号：2915672