基于辅助数据RetinaNet算法的销钉缺陷智能识别

电力金具上销钉松动、缺失等常见缺陷严重影响着电力系统的稳定运行,而该类缺陷的检测方式主要依赖于人工标注,致使效率低下,为此提出利用RetinaNet算法实现销钉缺陷智能识别的方法。该方法首先研究算法的主要参数——学习率对模型训练速度和销钉缺陷识别率的影响;继而考虑到销钉松动类数据样本较少以及该类样本收集代价较高的情况,通过添加辅助数据样本来缓解类别失衡造成的影响;最后为消除辅助数据与目标数据样本之间存在的差异而产生的影响,对相关辅助与目标数据进行了量化分析。实验结果表明,缺陷数据样本的不足使得训练好的模型容易将少数类错误识别为数量偏多的正常类别,通过添加一定数量的相关辅助数据样本,能够有效地缓解类别失衡带来的不利影响,完成销钉缺陷智能识别。