基于深度学习的输电线路外破图像识别技术

被引：16

作者：

张骥 ^{[1
]}

余娟 ^{[1
]}

汪金礼 ^{[1
]}

谭守标 ^{[2
]}

机构：

[1] 安徽南瑞继远电网技术有限公司

[2] 安徽大学

来源：

计算机系统应用 | 2018年 / 27卷 / 08期

关键词：

外破隐患; 卷积神经网络; 深度模型;

D O I：

10.15888/j.cnki.csa.006458

中图分类号：

TM75 [线路及杆塔]; TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

080203 ;

摘要：

在电力系统中,识别并排除输电线路外破风险隐患对保障电力系统的安全运行方面具有非常重要的作用.图像识别技术是识别外破风险的一个有效方法.针对外破隐患识别问题,本文提出了一种通过卷积神经网络训练获取深度模型的检测算法,该算法根据防外破风险隐患图像特点对现有深度网络结构进行了改进优化,增加ROI池化层并修改了损失函数;采用大量样本训练得到鲁棒模型,测试时对待测图片首先产生候选区域,然后针对各候选区域进行检测识别,达到在复杂背景中检测出外破风险隐患的目的.实验结果说明了本文方法可以有效地识别出输电线路外破隐患.

引用

页码：176 / 179

页数：4

共 5 条

[1] 嵌入式视频和图像识别技术在架空输电线路智能监控中的应用研究
刘高
曾懿辉
[J]. 计算机系统应用, 2013, 22 (11) : 58 - 61
[2] 输电线路中反大型机械外力破坏的智能预警功能的实现
何冰
沈超
朱春晖
李渊
王芳林
[J]. 华东电力, 2011, 39 (10) : 1705 - 1709
[3] 输电线路受外力破坏应变监测方法研究
李力
刘厚满
文中
[J]. 工业安全与环保, 2011, 37 (05) : 30 - 32
[4] 在线监测系统在输电线路防外力破坏的应用[A]. 杨勇,郝祉,刘军.2013年中国电机工程学会年会论文集[C]. 2013
[5] Scene parsing using graph matching on street-view data[J] . Tianshu Yu,Ruisheng Wang.Computer Vision and Image Understanding . 2016

← 1 →