期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Res-CapsNet与改进YOLOv4的绝缘子破损识别与定位
1
作者 卞建鹏 朱泽明 +1 位作者 陈璇 安荣廷 《电瓷避雷器》 2025年第6期106-116,共11页
针对传统卷积神经网络(CNN)在绝缘子破损检测方面存在识别效果差、速度慢等问题,本研究提出一种基于Res-CapsNet(残差胶囊网络)与改进YOLOv4相结合的算法,包括绝缘子分类检测及破损定位两部分。首先,由于残差网络可以解决传统分类网络... 针对传统卷积神经网络(CNN)在绝缘子破损检测方面存在识别效果差、速度慢等问题,本研究提出一种基于Res-CapsNet(残差胶囊网络)与改进YOLOv4相结合的算法,包括绝缘子分类检测及破损定位两部分。首先,由于残差网络可以解决传统分类网络通过不断堆叠卷积层而出现的模型退化问题,因此提出采用ResNet34作为预训练模型提取绝缘子图像特征,将提取出的卷积特征转化成胶囊特征,然后使用动态路由算法进行传递以保证特征信息的完整性,因此不仅使输出量保留其方向和角度,同时可提取绝缘子更深层的特征,从而实现对复杂环境下破损绝缘子的准确识别。绝缘子破损定位部分,在CPSDarknet53中使用Res2Net残差单元提取绝缘子细微特征,并且在定位网络中引入CBAM注意力机制关注绝缘子轮廓、位置等特征以提高模型精度;同时由于引入Res2Net残差单元使得模型复杂度增加,因此采用通道剪枝压缩网络模型,减少模型运算量,可以实现在保持较高精度的同时加快模型训练速度。最后与SSD、VGG16、Resnet、AlexNet等网络进行对比,实验结果表明,改进后的网络对绝缘子破损识别准确率达到97.98%,定位准确率达到96.57%,能够快速准确的检测出不同天气、距离下的绝缘子故障状态,大大提高了对绝缘子进行智能巡检的效率。 展开更多
关键词 绝缘子破损检测 res-capsnet YOLOV4 Res2Net CBAM 通道剪枝 智能巡检
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部