基于样本扩充的Faster R-CNN电网异物监测技术

摘要：

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差.针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法.利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员.深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求.因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的.使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升.此外,通过测试发现,对训练集做一定的预处理可以提升模型的识 别性能.

关键词：电力巡检、Faster R-CNN、数字图像处理、高斯滤波、泊松融合

所属期刊栏目：44

分类号：TM85(高电压技术)

在线出版日期：2020-03-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：44-51