《表1 刀闸检测和状态识别结果Tab.1 Recognition rate and detection result of the switch state》
表1给出了文献[8]、文献[10]、文献[14]和本文方法的实验结果。从表1可以看出,相对于文献[8]、文献[10]、文献[14]方法,该方法具有较低的漏检率和误检率,具有较高的刀闸状态识别精度。同时也可以看出,基于深度学习的方法(文中算法和文献[14]算法)在检测和识别上都有很大的优势,特别是文中方法的识别精度达到93.2%。图3~图6给出了两组不同刀闸类型、不同场景、不同拍摄角度、不同开关状态、不同背景和不同光照强度下刀闸状态识别结果。其中图3(a)是输入待识别的刀闸图像,图3(b)是基于改进CNNs输出的绝缘子和刀闸目标定位结果,图3(c)显示目标(绝缘子和刀闸)定位结果和刀闸状态识别结果。图3和图4是一种刀闸类型的两幅图像,图5和图6是另一类型的刀闸图像。从图3~图6可知,基于深度学习的刀闸状态识别方法可以精确定位绝缘子和刀闸目标、识别不同角度和不同开关状态的刀闸状态。对于一幅待识别图像,文中刀闸状态识别时间小于5 s。
图表编号 | XD0014201600 严禁用于非法目的 |
---|---|
绘制时间 | 2018.03.10 |
作者 | 张骥、张金锋、朱能富、余娟、陈子亮 |
绘制单位 | 南京南瑞集团公司、国网安徽省电力公司、南京南瑞集团公司、南京南瑞集团公司、安徽大学电子信息工程学院 |
更多格式 | 高清、无水印(增值服务) |