为了提高输电线路的供电可靠性,降低输电线路由于运行时间长、外部气候条件恶劣以及电磁环境复杂等造成的导线故障,采用输电线路智能型液压修补机代替人工作业进而降低电网人身风险事故。进行了基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法研究;建立了基于Faster R-CNN的螺栓与导线缺陷检测模型,将训练好的Faster R-CNN导线缺陷检测模型在福建某110 kV输电线路上完成作业实验,证明了所建立的基于Faster R-CNN的输电线路智能型液压修补机视觉检测算法的有效性。

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别