《表1 Faster RCNN对四个间隔棒的识别概率》

  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

《无人机巡检图像电力小部件识别技术研究》

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

本文使用Caffe框架实现卷积神经网络模型。根据mAP最大时对应的参数，对测试集使用Faster-RCNN进行部件识别，Faster R-CNN方法识别的准确率较高。这主要是由于区域提议网络可以产生更精准的候选框，并且Faster R-CNN在网络训练的第2步对全部特征层和卷积层的权重进行了调优。并且Faster R-CNN采用的区域提议网络和检测网络具有很好的泛化能力，对各种不同方向的部件都可正确识别。图4是利用Faster RCNN方法对同一张图片进行间隔棒识别的结果，并按照顺时针方向为图中3个间隔棒标号，表1表示Faster RCNN方法将间隔棒识别为间隔棒的概率。