典型文献
基于深度学习的无人机电网巡检缺陷检测研究
文献摘要：
由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现.为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法.首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求.实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10％,相比于Faster R-CNN提高了6.71％;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍.所提的YOLO v3网络具有更优的识别精度和检测速度.
文献关键词：
无人机巡检;深度学习;YOLO v3;ResNet18;绝缘子
中图分类号：
作者姓名：
罗潇;於锋;彭勇
作者机构：
国网上海市电力公司, 上海 200120;南通大学电气工程学院,江苏南通 226019
文献出处：
引用格式：
[1]罗潇;於锋;彭勇-.基于深度学习的无人机电网巡检缺陷检测研究)[J].电力系统保护与控制,2022(10):132-139
A类：
B类：
机电网,缺陷检测,区域面积,计算量,深度学习算法,难以实现,快速识别,复杂环境,检测效果,YOLO,v3,目标检测算法,ResNet18,主干网络,一个多,多尺度特征金字塔,绝缘子检测,检测模型,高检,检测准确率,检测要求,均值平均精度,mAP,Faster,每秒,识别精度,检测速度,无人机巡检
AB值：
0.335759
相似文献
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。
