基站电气设备的红外图像目标检测基于改进的更快的基于区域的卷积神经网络算法
Changdong Wu1, Yanliang Wu1, Xu He1
1School of Electrical Engineering and Electronic Information, Xihua University, Chengdu 610039, China.
The Review of scientific instruments
|April 10, 2024
概括
这项研究引入了一种改进的Faster R-CNN算法,用于在低质量的红外图像中检测电气设备. 改进后的模型实现了更高的准确性和回忆,提高了变电站的安全性和维护.
科学领域:
- 电气工程 电气工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 变电站的电气设备产生了大量低质量的红外图像.
- 传统的目标检测算法难以从这些图像中提取特征.
研究的目的:
- 提出改进的Faster R-CNN算法,用于在红外图像中准确识别电气设备.
- 为了提高特征提取能力,以获得更好的检测性能.
主要方法:
- 修改更快的R-CNN与InResNet骨干,用于更丰富的特征提取.
- 用指数线性单位 (ELU) 激活替换的修正线性单位 (ReLU).
- 将集群规范化和密集连接纳入ResNet-34网络,创建一个剩余的密集连接网络.
主要成果:
- 改进的Faster R-CNN显示了大多数变电站电气设备中最高的平均精度和平均回忆率.
- 在检测可靠性和预测盒准确性方面表现优于原始的快速R-CNN,单击多盒探测器 (SSD) 和YOLOv3-SPP.
结论:
- 提议的增强的Faster R-CNN算法有效地解决了在低质量的红外图像中检测电气设备的挑战.
- 这些修改显著提高了检测准确性,可靠性和定位性,为变电站监控提供了强大的解决方案.


