《表1 刀闸检测和状态识别结果Tab.1 Recognition rate and detection result of the switch state》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进深度学习的刀闸状态识别方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。