计算机技术与发展2020，Vol.30Issue(11) ：163-167.DOI:10.3969/j.issn.1673-629X.2020.11.030

基于U-Net网络和椭圆度量学习的防震锤锈蚀识别

Identification of Anti-vibration Hammer Corrosion of High-voltage Transmission Lines Based on U-Net Network and Elliptic Metric Learning

刘军 孙庆 刘玮 康伟东 秦浩 郭成英
计算机技术与发展2020，Vol.30Issue(11) ：163-167.DOI:10.3969/j.issn.1673-629X.2020.11.030
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于U-Net网络和椭圆度量学习的防震锤锈蚀识别

Identification of Anti-vibration Hammer Corrosion of High-voltage Transmission Lines Based on U-Net Network and Elliptic Metric Learning

刘军 1孙庆 2刘玮 3康伟东 3秦浩 1郭成英1
扫码查看

作者信息

  • 1. 国网安徽省电力有限公司,安徽 合肥 230601
  • 2. 安徽大学,安徽 合肥 230601
  • 3. 安徽南瑞继远电网技术有限公司,安徽 合肥 230088
  • 折叠

摘要

高压输电线路中金属锈蚀会严重危害输电线路的安全运行.针对高压输电线背景复杂、缺乏有效锈蚀检测手段以及锈蚀检测准确率低等问题,提出了一种基于U-Net网络和度量学习的高压输电线防震锤锈蚀检测方法.相比其他深度网络,U-Net网络的参数量较少且直观,在小样本下具有较优的性能,利用U-Net网络可以将复杂背景条件下的高压输电线路中的防震锤完整分割出来.对分割后的防震锤图像提取HSV颜色特征和LBP纹理特征,并引入能够反映样本空间结构信息或语义信息的椭圆度量,通过椭圆度量学习实现高压输电线防震锤锈蚀的识别.实验结果表明,相比于支持向量机、BP神经网络、决策树等检测方法,该方法能够高效、准确地识别复杂背景环境下的高压输电线防震锤锈蚀.

关键词

锈蚀检测/高压输电线防震锤/U-Net网络/HSV颜色特征/LBP纹理特征/度量学习

引用本文复制引用

基金项目

国家自然科学青年基金(61401001)

出版年

2020
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量2
参考文献量13
段落导航相关论文