改进的Fast-CNN模型在绝缘子特征检测中的研究

摘要：

针对目前电网巡检系统中采用红外成像检测绝缘子串特征的效果受环境影响,提出联合显著区域和Fast-CNN网络(改进后的卷积神经网络)用于绝缘子特征检测研究.显著区域检测首先采用超像素描述各区域位置的整体信息;然后基于各超像素的特征协方差信息计算各超像素的显著度得到大致显著区域;再通过区域模块化和局部复杂度对比提取显著特征,同时将2种方法提取的显著特征分别输入改进后的Fast-CNN网络进行显著区域检测,同时引入动态自适应池化模型和余弦窗处理中间层,最后通过多次迭代训练得到绝缘子特征,避免CNN模型耗时的全图搜索.将本文算法在红外图像库中进行测试,本文算法的F-Measure以及平均误差MAE均优于当前流行算法.

关键词：机器视觉、深度学习、显著性计算、绝缘子检测、快速卷积神经网络

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目51707141;陕西省自然科学基础研究计划项目2017JQ6054;西安工程大学博士启动基金资助项目BS1505;陕西省重点科技创新团队计划项目2014KCT-16;陕西省科学技术研究发展计划项目2014XT-07;陕西省工业科技攻关项目2015GY-075

在线出版日期：2019-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：59-64,71