基于改进RPN网络的电力设备图像识别方法研究

作者：马静怡; 崔昊杨

来源：供用电, 2020, 37(01): 57-72.

DOI：10.19421/j.cnki.1006-6357.2020.01.009

• 电力设备
• 图像识别
• 深度学习
• 连通域
• 卷积神经网络

针对Faster RCNN算法在电力设备状态图像处理过程中生成的Anchor与目标设备不匹配而导致的设备识别率降低的问题,提出了一种基于连通域预处理的Faster RCNN的改进模型。依据像素值相近及位置相邻原则构建连通域,将连通域的长宽比作为输入信息对RPN(region proposal network,RPN)的Anchor面积框进行修正,以此提高Anchor boxes与目标设备的匹配度。实验结果表明:识别区域与目标设备面积的进一步匹配避免了多余锚框网络计算量,该方法对目标设备误识别率由改进前的2.2%下降到1.9%,降幅达14%,同时其计算效率较传统Faster RCNN算法提高6.7%。在非格式化图像数据快速增加背景下,文章所提方法对于提高电力设备状态图像的识别和处理具有重要意义。

• 单位
  上海电力大学