典型文献
基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测
文献摘要：
铁路接触网绝缘子状态检测对铁路行车安全有着重大的意义,为解决目前人工对绝缘子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法.首先使用Faster R-CNN(faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正常状态绝缘子的分类精度可达100％,异常状态绝缘子的分类精度达97.5％,最后依据绝缘子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异物绝缘子.实验结果表明所提方法可以有效对绝缘子状态进行检测分类.
文献关键词：
绝缘子;Faster R-CNN(faster region-based convolutional neural network);纹理特征;支持向量机
中图分类号：
作者姓名：
姜香菊;杜晓亮
作者机构：
兰州交通大学 自动化与电气工程学院 甘肃兰州730070
文献出处：
引用格式：
[1]姜香菊;杜晓亮-.基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测)[J].光电子·激光,2022(05):513-520
A类：
绝缘子状态检测
B类：
纹理特征,铁路接触网,铁路行车安全,解决目前,绝缘子图像,图像检测,Faster,faster,region,convolutional,neural,network,目标检测算法,精确识别,灰度共生矩阵,数据结果,相关度,状态分类,正常状态,分类精度,异常状态,灰度分布,积分投影,夹杂,异物,检测分类
AB值：
0.24215
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
