基于深度可分离卷积及SVD输电线路缺陷检测

发布时间：2021-06-14 02:47

　　针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。 

【文章来源】：智慧电力. 2020,48(10)北大核心

【文章页数】：7 页

【部分图文】：

标准卷积

深度卷积

图2 深度卷积深度卷积为单通道滤波器，尺寸（DK,DK,1,M）。深度卷积核K与输入特征图F对应通道滤波（第k个深度卷积核对输入特征F第k个通道进行卷积，生成输出特征G第k个通道特征[15]）。G大小为（DG,DG,M）。深度卷积计算公式如式（3）所示：

【参考文献】：
期刊论文
[1]基于激光点云精确定位的输电线路无人机自主巡检系统研究[J]. 彭福先,张玮,祝晓军,罗明,董峰,荣玉.  智慧电力. 2019(07)
[2]一种基于Lasso回归与SVD融合的深度学习模型压缩方法[J]. 吴进,吴汉宁,刘安,李聪,李乔深.  电讯技术. 2019(05)
[3]基于模态分析的GIS盆式绝缘子裂纹缺陷检测方法研究[J]. 于卓琦,高晋文,王克胜,张慧军,段星辉,潘龙雨.  电测与仪表. 2020(16)
[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]一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用[J]. 周自强,陈强,马必焕,齐冬莲.  电测与仪表. 2020(02)
[6]基于大数据技术的配电网全景监测系统的研究与实现[J]. 乔俊峰,王一清,杨佩,谢韬.  供用电. 2018(03)
[7]无人机在输电线路巡检中的应用[J]. 李建峰,段宇涵,王仓继,王西鹏,郭鹏,张友民.  电网与清洁能源. 2017(08)

博士论文
[1]基于航拍图像的绝缘子识别与状态检测方法研究[D]. 阳武.华北电力大学(北京) 2016

硕士论文
[1]航拍输电线图像的绝缘子识别[D]. 钟超.大连海事大学 2014
[2]基于PCNN的航拍绝缘子图像的分割及定位研究[D]. 郑涛.大连海事大学 2011



本文编号：3228902