典型文献
基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测
文献摘要：
无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性.该文提出一种基于压缩激活改进的快速异常检测生成对抗网络(SE-f-AnoGAN),可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度.首先,在f-AnoGAN编码器中引入压缩激活网络(SENet),提取图像中的显著性信息.然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补.在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能.实验结果显示,总体样本的检测准确率为95.74％,正负样本的召回率分别达到96.05％和95.36％,证明了SE-f-AnoGAN在异常检测中的有效性.
文献关键词：
电力杆塔;无人机巡检;异常检测;生成对抗网络;迁移学习;不平衡样本
中图分类号：
作者姓名：
仲林林;胡霞;刘柯妤
作者机构：
东南大学电气工程学院 南京 210096;东南大学-蒙纳士大学苏州联合研究生院(东南大学) 苏州 215123
文献出处：
引用格式：
[1]仲林林;胡霞;刘柯妤-.基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测)[J].电工技术学报,2022(09):2230-2240,2262
A类：
B类：
改进生成对抗网络,电力杆塔,图像异常检测,电力线路,线路巡检,正负样本,极不,AnoGAN,复杂背景,编码器,SENet,显著性信息,无监督学习,二分类,分类器,有监督学习,迁移学习,训练策略,大规模数据集,泛化性能,检测准确率,召回率,无人机巡检,不平衡样本
AB值：
0.260514
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。
