坐标变换为从左上顶点为原点的坐标系中。目前我们与模型识别精度之间的关系来指导实际的生产过程。和模型在输电线路部件识别中的研究原稿。目前我们通过无人机搭载的摄像机对输电线路进行巡检,在我们预先设臵的位臵和角度上进行拍照,只保存单帧图像没有录制视频,所有不能进行时间序列上的分析,经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检无人机巡检虽然在很大程度上提高的巡检的效率,降低了巡检成本以及减少了野外作业的风险,但是无人机巡检过程中会生成海量的关于输电线路有,等,而基于神经网络的模型又可以被分为两个类型,和为单网络模型,和为双网络模型。单网络模型的检测速度要远远快于双网络模型,所以目前能够对输电线路部件缺陷进行实和模型在输电线路部件识别中的研究原稿的个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子复合绝缘子连接金具均压环和屏蔽环种部件的子集进行下种影响模型识别性能因素的测试实验,以及研究这些因素与模型最终识别精度的相关性。模型的识别结果如图所示,其中,标号代表的是玻璃绝缘子,标输电线路部件的图像数据,如果通过人工的方式对这些数据进行辨识那么也是项巨大的工程。因此,研发智能化的识别输电线路部件缺陷图像的算法具有非常重要的意义。在数字图像处理领域中,基于深度学习思想的对象检测框架已经成为了主流的技术,我们应该通过实际的数据实像按逆时针方向旋转度,度,度,并对目标的坐标进行对应的转换即将旋转后的坐标变换为从左上顶点为原点的坐标系中。图物体检测模型实验结果和分析在本文中我们所使用的图像数据均来自于大疆精灵系列无人机巡检输电线路师所拍摄的图像。我们共计收集了张图像对其些方法在定程度上提高了巡检的效率,但是在缺陷识别的准确度和时间效率上仍然存在很多局限性,因为以上的方法都是来自于特征工程的方法,这种方法的局限性在于这些特征都是由人工设计他们对缺陷的表达能力是有限的。引言随着我国电网系统的不断扩建和扩容,传统的人工征工程的角度来说,早期的研究着将目光集中在了图像的低层次特征如边缘,轮廓上,如对缺陷部件防震锤的识别,可以使用圆检测算法获取到防震锤的圆形部分刘营军等在文献中提出了通过图像中的纹理特征来检测直升机巡检图像中的绝缘子部件李朝阳等在文献中巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检无人机巡检虽然在很大程度上提高的巡检的效率,降低了巡检成本以及减少了野外作业的风险,但是无人机巡检过程中会生成海量的关样本容量我们从总体样本个样本子集,样本容量分别为。为了使模型在测试时有更好的泛化能,我们通过旋转图像的方法来扩充样本的数量,将图像按逆时针方向旋转度,度,度,并对目标的坐标进行对应的转换即将旋转后的坐标变换为从左上顶点为原点的坐标系中。目前我们在本文中我们所使用的图像数据均来自于大疆精灵系列无人机巡检输电线路师所拍摄的图像。我们共计收集了张图像对其中的个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子复合绝缘子连接金具均压环和屏蔽环种部件的子集进行下种影响模型识别性能因素的测试实验,稳定运行是保障电力输送安全的重要因素。为了提高对输电线路巡检的密度和精度,而又能大量的降低成本,无人机巡检被引入到了电力行业中。我们如何处理海里的图像数据,分析出其中代表输电线路系统运行状态的信息是个亟待解决的问题。传统的机器学习技术的性能已经不能来揭示参数与模型识别精度之间的关系来指导实际的生产过程。模型结构目前在图像目标检测的领域内,存在两种主流的框架基于背景差分技术的模型和基于深度学习框架的模型。属于背景差分模型的技术有混合高斯背景建模,贝叶斯背景建模,码书模型等,属于深度神经网络的技巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检无人机巡检虽然在很大程度上提高的巡检的效率,降低了巡检成本以及减少了野外作业的风险,但是无人机巡检过程中会生成海量的关的个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子复合绝缘子连接金具均压环和屏蔽环种部件的子集进行下种影响模型识别性能因素的测试实验,以及研究这些因素与模型最终识别精度的相关性。模型的识别结果如图所示,其中,标号代表的是玻璃绝缘子,标限性在于这些特征都是由人工设计他们对缺陷的表达能力是有限的。和模型在输电线路部件识别中的研究原稿。样本容量我们从总体样本个样本子集,样本容量分别为。为了使模型在测试时有更好的泛化能,我们通过旋转图像的方法来扩充样本的数量,将图和模型在输电线路部件识别中的研究原稿及研究这些因素与模型最终识别精度的相关性。模型的识别结果如图所示,其中,标号代表的是玻璃绝缘子,标号代表的是复合绝缘子,标号代表连接金具,标号代表均压环,标号代表屏蔽环。在实验过程中我们使用的硬件配臵为第代核,显卡为的个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子复合绝缘子连接金具均压环和屏蔽环种部件的子集进行下种影响模型识别性能因素的测试实验,以及研究这些因素与模型最终识别精度的相关性。模型的识别结果如图所示,其中,标号代表的是玻璃绝缘子,标图像分辨率,卷积核尺寸参数与模型检测精度的相关性。在实验中我们采样的数据全部来源于无人机采集的输电线路部件图像,实验结果显示模型在绝缘子上的识别率为,检测帧率为帧,模型在绝缘子上的识别率为,检测帧率为。图物体检测模型实验结果和分锤的圆形部分刘营军等在文献中提出了通过图像中的纹理特征来检测直升机巡检图像中的绝缘子部件李朝阳等在文献中提出了使用边缘特征检测高分辨率航拍图像中的输电线路。在最近几年,研究者将研究的方向转向了高层次图像特征上,如在文献中廖圣龙提出通过使用类哈尔满足我们对实时性和准确率的要求。针对这个矛盾我们选择了具有识别和定位功能的网络和网络对输电系统上的部件进行识别和定位,对比了两个网络模型在输电线路图像中对不同部件对象识别的性能。我们通过种实际的输电线路部件图像数据,分析了训练样本数量巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检无人机巡检虽然在很大程度上提高的巡检的效率,降低了巡检成本以及减少了野外作业的风险,但是无人机巡检过程中会生成海量的关代表的是复合绝缘子,标号代表连接金具,标号代表均压环,标号代表屏蔽环。在实验过程中我们使用的硬件配臵为第代核,显卡为。和模型在输电线路部件识别中的研究原稿。摘要电力是国民经济发展的重要基础,而输电线路的安像按逆时针方向旋转度,度,度,并对目标的坐标进行对应的转换即将旋转后的坐标变换为从左上顶点为原点的坐标系中。图物体检测模型实验结果和分析在本文中我们所使用的图像数据均来自于大疆精灵系列无人机巡检输电线路师所拍摄的图像。我们共计收集了张图像对其们通过无人机搭载的摄像机对输电线路进行巡检,在我们预先设臵的位臵和角度上进行拍照,只保存单帧图像没有录制视频,所有不能进行时间序列上的分析,这给精确缺陷检测的工作带来了很大的难度此外由于无人机巡检都是俯视拍摄,这样巡检图像往往都有很复杂的背景。从征的方法识别图像中的绝缘子。在付晶等在文献中提出利用层次模型与或图对目标进行分解表达。从实际应用的角度来讲,这些方法在定程度上提高了巡检的效率,但是在缺陷识别的准确度和时间效率上仍然存在很多局限性,因为以上的方法都是来自于特征工程的方法,这种方法的和模型在输电线路部件识别中的研究原稿的个类别部件进行了标记,再在其中随机的抽取具有玻璃绝缘子复合绝缘子连接金具均压环和屏蔽环种部件的子集进行下种影响模型识别性能因素的测试实验,以及研究这些因素与模型最终识别精度的相关性。模型的识别结果如图所示,其中,标号代表的是玻璃绝缘子,标这给精确缺陷检测的工作带来了很大的难度此外由于无人机巡检都是俯视拍摄,这样巡检图像往往都有很复杂的背景。从特征工程的角度来说,早期的研究着将目光集中在了图像的低层次特征如边缘,轮廓上,如对缺陷部件防震锤的识别,可以使用圆检测算法获取到防像按逆时针方向旋转度,度,度,并对目标的坐标进行对应的转换即将旋转后的坐标变换为从左上顶点为原点的坐标系中。图物体检测模型实验结果和分析在本文中我们所使用的图像数据均来自于大疆精灵系列无人机巡检输电线路师所拍摄的图像。我们共计收集了张图像对其件的图像数据,如果通过人工的方式对这些数据进行辨识那么也是项巨大的工程。因此,研发智能化的识别输电线路部件缺陷图像的算法具有非常重要的意义。在数字图像处理领域中,基于深度学习思想的对象检测框架已经成为了主流的技术,我们应该通过实际的数据实验来揭示参时性检测的只有和模型,两个模型在网络的整体结构上是致的,模型是在初级模型的基础上加入了多尺度和多种层次信息融合的思想,故我们以模型为例对网络模型做简要的介绍。引言随着我国电网系统的不断扩建和扩容,传统的人工巡检方式来揭示参数与模型识别精度之间的关系来指导实际的生产过程。模型结构目前在图像目标检测的领域内,存在两种主流的框架基于背景差分技术的模型和基于深度学习框架的模型。属于背景差分模型的技术有混合高斯背景建模,贝叶斯背景建模,码书模型等,属于深度神经网络的技巡检方式已经不能满足维护电网系统正常稳定运行的需求。为了提高巡检的效率和质量国家电网公司已经开始推广和普及无人机对输电线路的巡检无人机巡检虽然在很大程度上提高的巡检的效率,降低了巡检成本以及减少了野外作业的风险,但是无人机巡检过程中会生成海量的关出了使用边缘特征检测高分