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

TM93; 针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别.首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框.采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RC-NN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中....

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 57; no. 2; pp. 14 - 20
Main Authors 周自强, 陈强, 马必焕, 齐冬莲
Format Journal Article
LanguageChinese
Published 国网浙江省电力科学研究院,杭州,310014%浙江大学电气工程学院,杭州,310027 2020
Subjects
YOLO
RPN网络
电缆设备状态识别
批量归一化
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2020.002.003

Cover

More Information
Summary:TM93; 针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别.首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框.采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RC-NN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2020.002.003