基于深度学习的输电线路风险预警识别研究

被引：19

作者：

陈良琴 ^{[1
]}

唐海城 ^{[2
]}

肖新华 ^{[3
]}

机构：

[1] 福州大学物理与信息工程学院

[2] 国网福建省检修分公司

[3] 国网信通亿力科技有限责任公司

来源：

电力大数据 | 2018年 / 21卷 / 12期

关键词：

深度学习; 输电线路; 工程机械; 风险识别;

D O I：

10.19317/j.cnki.1008-083x.2018.12.001

中图分类号：

TP391.41 []; TM75 [线路及杆塔];

学科分类号：

080203 ; 080802 ;

摘要：

针对"三跨"输电线路出现故障,将会对电力保障及铁路公路等基础交通设施造成重大影响这一问题,该文提出了一种结合深度学习和图像处理技术的输电线路安全区域内工程机械设备的的识别与检测方法。采用区域卷积神经网络(Faster-RCNN)对位于输电线路安全区域内的各类工程机械设备进行识别与检测,并基于caff框架下进行了实现;算法还结合同态滤波等图像处理技术,以进一步提高在不良光照等复杂环境下的目标检测结果的准确度。多组实验结果表明算法对于各种复杂环境下的各类工程机械设备均具有较高的检测识别率,算法实现了对位于输电线路安全区域内的工程机械类的风险预警识别,为输电线路故障与风险智能识别平台的建立提供了基础。

引用

页码：1 / 5

页数：5

共 13 条

[11] Extraction of power line maps from millimeter-wave polarimetric SAR images [J].

Sarabandi, K ;

Park, M .

IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION, 2000, 48 (12) :1802-1809

[12]

Automatic extraction of power lines from aerial images .2 Yan,Guangjian,Li,Chaoyang,Zhou,Guoqing,Zhang,Wuming,Li,Xiaowen. IEEE Geoscience and Remote Sensing Letters . 2007

[13] 基于区域定位的绝缘子图像分割 [J].

马帅营 ;

安居白 ;

陈舫明 .

电力建设, 2010, 31 (07) :14-17

← 1 2 →