陈 鹏, 秦伦明

(上海电力大学 电子与信息工程学院, 上海 200090)

随着计算机视觉和电力巡检机器人的快速发展,巡检机器人和计算机视觉技术相结合在智能电网中的应用需求越来越多。近年来,红外热成像仪搭载在电力巡检机器人、无人机等检测平台上对电力设备进行智能巡检,减少了运维人员采集电力设备红外图像的工作量。但在巡检机器人和无人机拍摄电力设备的过程中,由于拍摄角度和拍摄距离的因素,在图像上显示的尺寸较小且目标模糊[1]。传统的图像分割识别方法,由于其二值化阈值的选取存在较多人为干扰因素,对拍摄角度距离差异、光照影响和复杂背景干扰较为敏感,很难对红外图像中的电力设备进行有效识别[2]。随着深度学习的迅速发展以及硬件水平的提高,深度卷积神经网络在计算机视觉领域取得了巨大的成功,为深度学习在电力设备识别和定位中的应用奠定了基础[3]。

深度学习可以处理大规模的文本和图像等数据[4]。现代的图像识别将深度学习应用其中,通过提取并学习识别物体的特征来适应复杂的环境,减少了外界因素对物体识别的影响,提高了图像识别的准确性。图像处理算法改进过程中会出现各种数据集,如ImageNet训练集、VOC(Visual Object Classes)数据集和人脸检测数据集(Face Detection Data Set and Benchmark,FDDB)等。这些数据集数量很大,种类很多,在训练过程中可以在很大程度上解决过拟合问题[5]。

1 深度学习的网络模型

基于深度学习的网络模型主要分为以R-CNN系列[6-8]为代表的two-stage模型,以及以YOLO系列[9]和SSD[10]为代表的one-stage模型。……