基于CNN的图像分类方法的比较,用于实现低成本的多光谱弧度检测

科学领域:

• 电气工程 电气工程 电气工程
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习是机器学习.

背景情况:

• 基于摄像头的传感进步是由机器学习和无人机 (UAV) 技术驱动的.
• 先进传感器的高成本限制了采用,需要探索负担得起的替代品.

研究的目的:

• 评估低成本摄像头传感系统用于检测电弧的有效性.
• 调查基于机器学习的图像分类和组合模型的使用,用于与可访问硬件的传感器融合.

主要方法:

• 开发定制数据集用于深度学习图像分类模型的培训和验证.
• 利用集体模型进行传感器融合,在不同的摄像头上应用相同的模型以尽量减少技术开销.
• 使用不同难度级别的验证数据集评估性能,以评估定制数据的稳定性.

主要成果:

• 使用机器学习的基于摄像头的检测证明成功地识别了用代表性训练数据识别电弧.
• 集成模型包含多种数据源,有效地减轻了与培训数据差距相关的风险.
• 数据融合模型在没有相机特定设计的情况下展示了能力,使得使用不那么专业的设备成为可能.

结论:

• 机器学习与负担得起,可访问的摄像头硬件为电弧检测提供了一个可行的替代方案.
• 集成建模通过整合多个数据源来提高系统可靠性,尽管如果没有额外的预防措施,冗余性可能会减少.
• 这种方法通过减少对昂贵的专用设备的依赖来民主化先进的传感能力.