基于迁移学习的电气元件识别方法研究

作者：李殿明; 于正林^*

来源：长春理工大学学报(自然科学版), 2023, 46(01): 73-80.

• 电气元件
• 识别
• 普通深度学习
• 迁移学习
• 极限学习机

电气元件识别是电控柜自动布线机的关键一步。由于采用普通深度学习训练小样本集可能出现过拟合，所以将VGG16、ResNet50模型迁移到电气元件识别领域，再利用网络手术技术分别将基于VGG16、ResNet50迁移模型的分类器替换成极限学习机。普通深度学习模型VGG16、ResNet50识别准确率分别为68.27%和72.94%；迁移学习模型识别准确率对比普通深度学习分别调高了18.89%、17.28%；使用迁移学习和ELM结合方法，准确率比对应迁移模型分别提高了5.56%、7.16%。结果表明，迁移学习更适合小样本电气元件的识别，并且迁移学习和ELM相结合的方法可进一步提高准确率。

• 单位
  长春理工大学; 机电工程学院