迁移学习用于牵引变电所视频多目标识别研究

doi:10.3778/j.issn.1002-8331.1810-0297

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (24): 196-201.DOI: 10.3778/j.issn.1002-8331.1810-0297

迁移学习用于牵引变电所视频多目标识别研究

完颜幸幸，傅钦翠，吉鑫

1.华东交通大学电气与自动化工程学院，南昌 330013
2.华东交通大学交通信息及控制研究所，南昌 330013

出版日期:2019-12-15 发布日期:2019-12-11

Research on Multi-Target Recognition of Traction Substation Video Based on Transfer Learning

WANYAN Xingxing, FU Qincui, JI Xin

1.School of Electrical Engineering and Automation, East China Jiaotong University, Nanchang 330013, China
2.Institute of Traffic Information and Control, East China Jiaotong University, Nanchang 330013, China

Online:2019-12-15 Published:2019-12-11

摘要/Abstract

摘要： 为实现牵引变电所视频图像的多目标识别，为牵引变电所的远程智能巡检提供技术支持。基于迁移学习的理论研究，利用SSD（Single Shot Multibox Detector）和YOLOv2（You Only Look Once v2）模型，实现牵引变电所视频图像中高压开关柜的仪表、分合指示灯状态以及隔离开关的分合状态的自动识别。利用TensorFlow平台实现的多目标识别方法识别速度快而且鲁棒性好。

关键词: 牵引变电所, 迁移学习, 目标检测, YOLOv2模型, SSD模型

Abstract: In order to realize video image recognition of traction substation and provide technical support for remote intelligent inspection of traction substation. Based on the theory of transfer learning, the SSD（Single Shot Multibox Detector） and YOLOv2（You Only Look Once v2） models are used to realize automatic recognition of meters, split indicator lamp status of High Voltage Switchgear and disconnector status in the video image of traction substation. The multi-target recognition method implemented by TensorFlow platform is fast and robust.

Key words: traction substation, transfer learning, object detection, You Only Look Once v2（YOLOv2） model, Single Shot Multibox Detector（SSD） model

完颜幸幸，傅钦翠，吉鑫. 迁移学习用于牵引变电所视频多目标识别研究[J]. 计算机工程与应用, 2019, 55(24): 196-201.

WANYAN Xingxing, FU Qincui, JI Xin. Research on Multi-Target Recognition of Traction Substation Video Based on Transfer Learning[J]. Computer Engineering and Applications, 2019, 55(24): 196-201.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[3]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[4]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[5]	王博，宋丹，王洪玉. 无人机自主巡检系统的关键技术研究[J]. 计算机工程与应用, 2021, 57(9): 255-263.
[6]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[7]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[8]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[9]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[10]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[11]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[12]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[13]	马巧梅，王明俊，梁昊然. 复杂场景下基于改进YOLOv3的车牌定位检测算法[J]. 计算机工程与应用, 2021, 57(7): 198-208.
[14]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[15]	沈新烽，姜平，周根荣. 改进SSD算法在零部件检测中的应用研究[J]. 计算机工程与应用, 2021, 57(7): 257-262.

迁移学习用于牵引变电所视频多目标识别研究

Research on Multi-Target Recognition of Traction Substation Video Based on Transfer Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics