《表1 Faster RCNN对四个间隔棒的识别概率》
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。
图表编号 | XD0099507100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.11 |
作者 | 张鸥、徐强胜、刘靖波、刘瑞、史哲、彭丹青、贾高毅 |
绘制单位 | 国网辽宁省电力有限公司经济技术研究院、国网辽宁省电力有限公司经济技术研究院、国网辽宁省电力有限公司经济技术研究院、国网辽宁省电力有限公司、国网辽宁省电力有限公司、北京洛斯达数字遥感技术有限公司、北京洛斯达数字遥感技术有限公司 |
更多格式 | 高清、无水印(增值服务) |