电网技术

2020, v.44;No.434(01) 44-51

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于样本扩充的Faster R-CNN电网异物监测技术
Research on Foreign Matter Monitoring of Power Grid With Faster R-CNN Based on Sample Expansion

史晋涛;李喆;顾超越;盛戈皞;江秀臣;

摘要(Abstract):

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。

关键词(KeyWords): 电力巡检;Faster R-CNN;数字图像处理;高斯滤波;泊松融合

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 史晋涛;李喆;顾超越;盛戈皞;江秀臣;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享