图像缺陷识别大都基于传统机器学习算法,识别准确率低,泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法.首先基于Faster RCNN算法对变压器,套管,断路器等七种变电设备进行目标检测,实现设备的精准定位,识别,然后基于温度阈值判别法对设备区域进行缺陷识别.使用现场采集红外图像进行测试,七种设备检测平均...
通过对图像进行预处理和利用CNN网络进行特征提取,结合Faster R-CNN算法进行目标检测,本算法能够准确地定位和分类PCB板上的缺陷。多尺度的策略使得算法能够适应不同大小的缺陷,并具有较好的识别能力。与传统的方法相比,本算法具有更高的准确性和鲁棒性。未来的研究中,可以进一步改进该算法,提高其在PCB板缺陷识别中的...
综上所述,SSD算法[8]及其变体的一阶检测器[9]更省时,在目标检测跟踪方面更具备适用性,但论检测性能而言,二阶检测器(如R-CNN[10-11])及其变体等在公共的评价基准上取得的检测精度更优。因此,本文提出了基于改进Faster RCNN算法的缺陷检测方法,提高了检测精度,并且具有良好的识别速率,适用性更强。 本文详细内容...
首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于 Faster R-CNN 的输电线路缺陷最优识别网络模型。 经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了 90% 以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均...
最后成功将单个太 阳能电池板从无人机拍摄的图像中提取并修正角度，同时利 用改进的Faster R-CNN算法进行缺陷识别，结果表明所提 方法可以更准确地识别出积灰和鸟粪等缺陷。关键词：太阳能电池板；目标检测；缺陷识别；图像处理；卷积神经网络 DOI ：10.13335/j. 1000-3673.pst.2021.2373 〇引言 近年来随着社会...
南京林业大学范佳楠,刘英等采用深度学习算法替代传统的浅层学习算法,提出了一种快速深度神经网络(faster region-based convolutional neural networks, Faster R CNN)的实木板材缺陷识别模型。 02 实木材缺陷检测 本研究利用Chroma+Scan3350激光轮廓和色泽集成扫描仪(图1)采集实木板材的图像,其规格参数见表1。实木板材通...
实验结果表明:改进Faster-RCNN算法可 有效识别线路设备及设备缺陷,总体识别率达到93.5%,响应时间在1 s内。与图像识别法或单步多阶目标检测 (SSD)、实时快速目标检测(YOLO)深度学习法相比,所提算法提高了电力设备的识别精度与响应速度,在输电线 路智能巡检中具有一定的优越性。 关键词:输电线路巡检;图像识别;深度...
基于改进Cascade Faster R-CNN的铝型材表面缺陷识别研究
1 识别方法与网络结构模型 1.1 网络结构 笔者采用 ResNet-101卷积神经网络结构,根据残差模块将网络结构分为5 个卷积阶段,图 1 为改进后 的Faster R -C N N 网络结构图。首先输入图像通过卷积神经网络进行特征提取;其次在特征融合过程中, 多任务F P N 将每个阶段最后一层的特征图进行融合,并将得到的特征图输...
传统机器学习方法对缺陷设备检测的准确率低, 泛化性差.为此,文中将深度学习技术应用于配网设备红外图像检测,提出了基于Faster RCNN的缺陷检测方法.该方法采用深度残差网络提取图像特征,针对配网设备形状特点优化区域提议网络,借助共享卷积层训练网络.通过对8类典型配网设备缺陷测试表明,该方法对缺陷设备红外图像具有较高的...