没有合适的资源?快使用搜索试试~ 我知道了~
基于改进Mask R-CNN的绝缘子目标识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 42 浏览量
2022-12-15
14:16:26
上传
评论
收藏 384KB DOCX 举报
温馨提示
试读
9页
基于改进Mask R-CNN的绝缘子目标识别方法.docx
资源推荐
资源详情
资源评论
1. 引言
随着智能电网建设的发展,利用无人机作为检测工具来定位线路元件已成为高压线路
检测的新趋势.与实验室环境相比,在现场的输电线路所处环境中拍摄的图像背景非常复
杂,如何从大规模航拍图像中提取和定位绝缘子已成为无人机电力检测瓶颈.
在过去,通常应用轮廓提取,颜色特征和纹理特征学习方法来定位输电线路中的绝缘
子
[1-3]
.近年来深度学习在图像目标识别中取得了显著的效果
[4-7]
.
相比深度学习其他目标识别方法,Mask R-CNN 的识别准确率更高、运行速度更快.本
文提出一种在 Mask R-CNN 模型基础上改进的目标检测方法---InsuNet 网络模型,特征网络
中增加开运算操作过滤电力线、植被等干扰特征,并优化网络深度减轻网络训练负担,提
高检测精确率.本文使用 UAV 拍摄的图像建立样本数据库,并应用 Labelme 软件标注工具
进行样本标注,通过训练模型,实现了绝缘子目标检测.本文算法在应对复杂背景目标检测
时,具有较强检测性能,相比原有算法其准确性和实用性大大增强.
2. Mask R-CNN 网络模型
Mask R-CNN 是 He 等
[8]
在 Faster R-CNN 的基础上研发的神经网络模型,因其在单张
图片的目标识别与分割中取得了优秀的表现使其成为当前最佳图像目标识别技术之一.Mask
R-CNN 是一个两阶段的框架,阶段Ⅰ扫描图片经过区域提议网络(Region proposal
networks,,RPN)生成感兴趣区域(Region of Interest,ROI),阶段Ⅱ在每个 ROI 上加一个用
于预测分割掩膜的掩膜层,分类 ROI 并生成边界框和掩膜.Mask R-CNN 能够有效地检测图
片中的目标,还能为每个实例生成一个高质量的分割掩膜.
Mask R-CNN 结构中,主干网络使用 101 层深度残差网络(Residual Network,ResNet)
和特征金字塔网络(Feature Pyramid Network,FPN),共分为 5 个阶段.ResNet 是一种减轻网
络训练负担的残差学习框架,具有较深的网络层次.FPN 则是根据特征规模大小,从不同级
别层次特征中提取感兴趣特征.Mask R-CNN 网络结构如图 1 所示.
资源评论
罗伯特之技术屋
- 粉丝: 3663
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功