基于深度学习的输电线路锈蚀检测方法的研究

被引：44

作者：

李辉 ^{[1
]}

钟平 ^{[1
]}

戴玉静 ^{[2
]}

吕东辉 ^{[2
]}

机构：

[1] 国电南瑞科技股份有限公司深圳分公司

[2] 上海大学通信与信息工程学院

来源：

电子测量技术 | 2018年 / 41卷 / 22期

关键词：

目标检测; 深度学习; 锈蚀识别; 输电线路; 图像处理;

D O I：

10.19651/j.cnki.emt.1801768

中图分类号：

TM75 [线路及杆塔]; TP391.41 [];

学科分类号：

080802 [电力系统及其自动化];

摘要：

高压输电线路环境复杂、生锈部件形状差异较大,其中的锈蚀难以检测。针对该问题,提出基于深度学习的Faster-RCNN目标检测模型与锈蚀HSI颜色特征结合的锈蚀检测方法。先利用锈蚀的颜色特征去除图像中的干扰背景,再使用Faster-RCNN对去除干扰背景后的图像进行锈蚀检测。与单独采用基于HSI颜色特征的锈蚀检测方法和单独采用深度学习方法相比,深度学习算法与HSI颜色特征结合的方法在判别锈蚀有无的正确率和召回率上有较大提高,在定位的准确性上相对于基于HSI颜色特征的锈蚀检测方法也有较大提高,与单独采用深度学习方法检测的准确率较为接近。实验结果表明,该方法符合实际需求,且优于基于HSI颜色特征的锈蚀检测方法和单独使用深度学习方法。

引用

页码：54 / 59

页数：6

共 8 条

[1]

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks [J].

Ren, Shaoqing ;

He, Kaiming ;

Girshick, Ross ;

Sun, Jian .

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2017, 39 (06) :1137-1149

[2]

Deep learning [J].

LeCun, Yann ;

Bengio, Yoshua ;

Hinton, Geoffrey .

NATURE, 2015, 521 (7553) :436-444

[3]

Selective Search for Object Recognition [J].

Uijlings, J. R. R. ;

van de Sande, K. E. A. ;

Gevers, T. ;

Smeulders, A. W. M. .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2013, 104 (02) :154-171

[4]

Automated steel bridge coating rust defect recognition method based on color and texture feature.[J].Heng-Kuang Shen;Po-Han Chen;Luh-Maan Chang.Automation in Construction.2012,

[5]

高压输电线防震锤锈蚀缺陷检测 [J].