1、“.....它和检测网络共享全图的卷积特征,使得区域建议检测几乎不花时间。是个基于全卷积的网络,它能同时预测输入图片的每个位置目标区域框和目标得分属于真实目标的概率值。是通过的方式进行网络训练,旨在生成高质量的候选区记录数据次录入系统中。目前针对次设备巡检的研究主要集中在图像拼接,图像识别单个设备开关等方面。由于次设备开关数量多,位置状态多样,传统图像识别算法无法达到很好的识别效果。目标检测框架继和之后,为了进步减少检测网络的运行时间,相关人士提出了的自动化智能化已经成为发展趋势,配电装置的优化变革成为迫切需求。对于各个供电企业而言,面对广泛应用的智能配电装备,如何对配电装置进行智能定值调节,如何识别配电装置各个开关运行状态,如何提高定值核对效率,就建设目标而言应该在哪些地方进行升级优化,诸如此类,已成为迫切需要解决的问题。基于深度学习的二次设备开关识别研究王廷凰原稿实验中......”。

2、“.....目前深度学习方法对于数据集的处理多数采取将数据集以定比例分配生成训练集验证集和测试集。在次设备开关识别过程中,仅需要满足对开关的检测识别,因此本实验中将制作的开关数据集按的比例随机生成了训练集和验证集,不设测试集。图开关检测结果示意图实提高定值核对效率,就建设目标而言应该在哪些地方进行升级优化,诸如此类,已成为迫切需要解决的问题。基于深度学习的二次设备开关识别研究王廷凰原稿。目标检测目标检测,也叫目标提取,是种基于目标几何和统计特征的图像分割,它将目标的分割和识别合为,其准确性和实时性是整个系统的项重要能力析由于直接用于训练模型会存在耗时长,初始化程度低等问题,因此,在本文实验中目标检测采用分类预训练的模型用于训练网络的初始化,并将分类预训练所得到的卷积神经网络模型用于中共享卷积层的初始化。经过初始化后的模型在在多个不同的位置状态。传统巡检过程中......”。

3、“.....判断是否处于正确的位置,并将记录数据次录入系统中。目前针对次设备巡检的研究主要集中在图像拼接,图像识别单个设备开关等方面。由于次设备开关数量多,位置状态多样,传统图像识别算法无法达到很好的识别效果。关键词增强置目标区域框和目标得分属于真实目标的概率值。是通过的方式进行网络训练,旨在生成高质量的候选区域框,用于的分类检测。通过种简单的交替优化方法,和可以在训练时共享卷积特征。由此可见,的整体结构可认为是实电力行业深度学习目标检测引言随着技术的发展,配电装置的自动化智能化已经成为发展趋势,配电装置的优化变革成为迫切需求。对于各个供电企业而言,面对广泛应用的智能配电装备,如何对配电装置进行智能定值调节,如何识别配电装置各个开关运行状态,如何目标检测框架继和之后,为了进步减少检测网络的运行时间,相关人士提出了,也是目前在目标检测领域非常知名并应用广泛的种深度学习框架......”。

4、“.....他们设计种候选区域网络,。基于候选区域深度学习的目标检测别检测正确率高的效果。结论本文介绍了模型与卷积神经网络相结合的方案,并制作了对应数据集用于训练开关状态的检测模型。验证了深度学习算法在次设备智能巡检中的可行性和有效性,实时检测,对单幅图像检测耗时少,准确率高,对电力系统中次设备的检修工作有重大意义。参考文献刘尤其是在复杂场景中,需要对多个目标进行实时处理时,目标自动提取和识别就显得特别重要。目标检测就是给定张图像基于或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别。关键词增强现实电力行业深度学习目标检测引言随着技术的发展,配电装置实电力行业深度学习目标检测引言随着技术的发展,配电装置的自动化智能化已经成为发展趋势,配电装置的优化变革成为迫切需求。对于各个供电企业而言,面对广泛应用的智能配电装备,如何对配电装置进行智能定值调节......”。

5、“.....如何实验中,用于训练中制作的数据集得出所需模型。目前深度学习方法对于数据集的处理多数采取将数据集以定比例分配生成训练集验证集和测试集。在次设备开关识别过程中,仅需要满足对开关的检测识别,因此本实验中将制作的开关数据集按的比例随机生成了训练集和验证集,不设测试集。图开关检测结果示意图实究常用次设备开关的状态和使用情况,制作了针对次设备开关状态检测的训练数据集。数据集共标记了张分辨率大小图片,其中包含类开关共计种状态,如图所示。第类开关种状态,分为上下左右个位置第类开关种状态,分为左中右个位置第类开关种状态,分类左中右个位置图种不同类型开关示意图实验方法与结果分基于深度学习的二次设备开关识别研究王廷凰原稿算法候选区域是利用图像的纹理边缘颜色等信息,预先找出目标可能出现的位置,保证选取较少窗口的情况下保持较高的召回率。基于候选区域的基础上,再对候选区域提取特征和分类......”。

6、“.....解决了传统目标检测算法中滑动窗口存在的问题。基于深度学习的二次设备开关识别研究王廷凰原稿实验中,用于训练中制作的数据集得出所需模型。目前深度学习方法对于数据集的处理多数采取将数据集以定比例分配生成训练集验证集和测试集。在次设备开关识别过程中,仅需要满足对开关的检测识别,因此本实验中将制作的开关数据集按的比例随机生成了训练集和验证集,不设测试集。图开关检测结果示意图实计算机学报,高质量候选区域特征以及分类的作用。基于候选区域深度学习的目标检测算法候选区域是利用图像的纹理边缘颜色等信息,预先找出目标可能出现的位置,保证选取较少窗口的情况下保持较高的召回率。基于候选区域的基础上,再对候选区域提取特征和分类,达到降级时间复杂度的目的明,施明泰,庄玉琳,林青山增强现实虚拟现实和混合现实技术在电力系统的应用研究电力信息与通信技术,万维基于深度学习的目标检测算法研究及应用电子科技大学......”。

7、“.....张顺,龚怡宏,王进军深度卷积神经网络的发展及其在计算机视觉领域的应用实电力行业深度学习目标检测引言随着技术的发展,配电装置的自动化智能化已经成为发展趋势,配电装置的优化变革成为迫切需求。对于各个供电企业而言,面对广泛应用的智能配电装备,如何对配电装置进行智能定值调节,如何识别配电装置各个开关运行状态,如何过程中,通过摄像头实时采集次设备开关面板图片并进行检测,如图所示为检测结果,目标检测算法同时检测识别到开关面板上存在类开关,以及单个开关的位置状态信息,检测速度约在每秒帧左右,达到了速度快,准确率高的目的。通过实验得出基于深度学习的目标检测算法在次设备开关识别上的应用能达到快速识析由于直接用于训练模型会存在耗时长,初始化程度低等问题,因此,在本文实验中目标检测采用分类预训练的模型用于训练网络的初始化......”。

8、“.....经过初始化后的模型在,来生成候选区域。的出现替代了之前和等方法,它和检测网络共享全图的卷积特征,使得区域建议检测几乎不花时间。是个基于全卷积的网络,它能同时预测输入图片的每个位,解决了传统目标检测算法中滑动窗口存在的问题。电力系统次设备开关状态检测制作数据集从中可知,基于的深度学习目标检测需要数据集做目标检测训练。电力系统中各类次设备开关种类繁多,状态复杂,数据收集难且耗时长。目前,并没有存在针对的次设备开关的数据集。因此,本文通过基于深度学习的二次设备开关识别研究王廷凰原稿实验中,用于训练中制作的数据集得出所需模型。目前深度学习方法对于数据集的处理多数采取将数据集以定比例分配生成训练集验证集和测试集。在次设备开关识别过程中,仅需要满足对开关的检测识别,因此本实验中将制作的开关数据集按的比例随机生成了训练集和验证集,不设测试集。图开关检测结果示意图实域框,用于的分类检测......”。

9、“.....和可以在训练时共享卷积特征。由此可见,的整体结构可认为是的集成,者结合,分工明确。网络主要作用于生成高质量候选区域框,则是起着学析由于直接用于训练模型会存在耗时长,初始化程度低等问题,因此,在本文实验中目标检测采用分类预训练的模型用于训练网络的初始化,并将分类预训练所得到的卷积神经网络模型用于中共享卷积层的初始化。经过初始化后的模型在,也是目前在目标检测领域非常知名并应用广泛的种深度学习框架。实现了系列中目标检测的端到端检测的过程。他们设计种候选区域网络,来生成候选区域。的出现替代了之前基于深度学习的二次设备开关识别研究王廷凰原稿。次设备巡检是电力系统中的项重要工作。次设备巡检具有流程繁琐,重复性强,耗时长,出错率高等特点。设备上存在多个不同种类开关,单个开关存在多个不同的位置状态。传统巡检过程中,巡检人员需要对每个开关状态作检查,判断是否处于正确的位置......”。