改进深度学习优化电力设备缺陷图像识别
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
1.32 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
简介
红外图像特征对具有发热特征的电力特设缺陷具有较好的表达能力,随着电力企业设备红外图像的积累,传统检测方法遇到效率和准确率瓶颈,为此,提出了基于改进Faster RCNN的缺陷识别算法,算法通过模型中RPN网络卷积核的优化,减少RPN网络的计算量,通过多分辨率特征融合提高网络对缺陷特征语义信息和细节定位信息的应用,最后通过自适应训练数据抽样提高正负训练样本抽取的有效性,从而提高算法缺陷识别准确率。实测数据实验表明,改进模型的目标函数可以在较少的迭代次数下实现稳定实收,在准确率、召回率和运行时间等评价指标上优于传统Faster RCNN模型、SIFT算子模型等已有模型,从而验证了算法的有效性和对不同背景干扰的有效性。相关论文
- 2020-09-24加工中心可编程平移和旋转零点偏置的应用
- 2024-05-17基于坐标系变换的汽封弧段斜齿铣削技术研究
- 2024-05-30FANUC数控系统倾斜轴功能在车削中心上的应用
- 2024-07-13粒子滤波的智能机器人位置自标定算法
- 2023-01-07静力学平衡方程的解题技巧
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。