文献类型：期刊文章

作　　者：徐凯[1] 梁志坚[1] 张镱议[1] 刘兴华[2] 郑含博[1]

XU Kai;LIANG Zhijian;ZHANG Yiyi;LIU Xinghua;ZHENG Hanbo(School of Electrical Engineering,Guangxi University,Nanning 530004,China;Zibo Power Supply Company,State Grid Shandong Electric Power Company,Shandong Zibo 255000,China)

机构地区：[1]广西大学电气工程学院,南宁530004 [2]国网山东省电力公司淄博供电公司,山东淄博255000

出　　处：《高压电器》

基　　金：国家自然科学基金(51867003,51907034);广西自然科学基金(2018JJB160056,2018JJB160064,2018JJA160176)。

年　　份：2020

卷　　号：56

期　　号：9

起止页码：129-135

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着电网智能运检的不断推进,电力设备状态监测产生了海量图像数据,然而目前尚无十分有效的方法对其进行智能分类识别。为解决机器学习对图像中的复杂特征提取困难和常规卷积神经网络学习能力不足带来的数据堆积和误判等问题,提出一种基于GoogLeNet Inception-V3模型的电力设备图像识别方法。首先介绍电力设备图像识别的模型结构及实现步骤,随后阐述该模型在特征提取中的高效性和准确性,最后通过实验证明该方法的优势。研究结果表明,提出方法对断路器、电流互感器、绝缘子、避雷器和电压互感器的平均识别准确率高达92.0%,比浅层CNN、k NN分类算法、VGG-16、GoogLeNet Inception-V1模型分别高32.5%、24.0%、6.5%和4.0%,具有较高的可行性和工程实用价值。

关 键 词：电力设备 卷积神经网络 图像识别 识别准确率  

分 类 号：TP391.41] TM50[计算机类]