文献

J-GLOBAL ID：201902284474722874   整理番号：19A2593478

無人機検査画像電力小部品識別技術研究【JST・京大機械翻訳】

著者 (7件)： Zhang Ou (国网遼寧省電力有限公司経済技術研究院 遼寧沈陽 110000) ,  Xu Qiangsheng (国网遼寧省電力有限公司経済技術研究院 遼寧沈陽 110000) ,  Liu Jingbo (国网遼寧省電力有限公司経済技術研究院 遼寧沈陽 110000) ,  Liu Rui (国网遼寧省電力有限公司 遼寧沈陽 110004) ,  Shi Zhe (国网遼寧省電力有限公司 遼寧沈陽 110004) ,  Peng Danqing (北京洛斯達数字遥感技術有限公司 北京 100120) ,  Jia Gaoyi (北京洛斯達数字遥感技術有限公司 北京 100120)
資料名： Keji Chuangxin Daobao  (Keji Chuangxin Daobao)
巻： 16  号： 14  ページ： 110-112,176  発行年： 2019年 
JST資料番号： C3291A  ISSN： 1674-098X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 無人機(UAV)の電線作業における応用の普及に伴い、無人機検査画像に対する目標識別の需要もますます強くなっている。従来の電力部品同定プロセスは,サポートベクトルマシン(SVM),ランダムフォレストまたはadaboostのような古典的機械学習アルゴリズムを使用し,勾配,色またはテクスチャなどの浅層特徴を結合して,電力部品を識別でき,高い精度を達成することができない。目標認識における畳込みニューラルネットワーク(CNN)の登場によって,領域に基づく畳込みニューラルネットワーク(RCNN)は,CNNを用いて,ターゲット領域を検出して,認識するために,CNNを使用する。FastR-CNNとFasterR-CNNはCNNネットワークを利用して画像特徴を抽出し、その後一つの区域の提案層を接続し、目標領域を含む方式を抽出し、識別目標の分類器を改善し、目標の検出と識別をほぼリアルタイムにした。本文では、FasterR-CNNアルゴリズムの流れを詳しく述べ、いくつかのキーパラメータ、例えばdropout比例、nms、バッチ処理サイズが識別結果に与える影響を分析し、FasterR-CNNアルゴリズムに対するいくつかの建設的最適化提案を提供した。最後に,FasterR-CNNアルゴリズムを,実際に収集した電力小部品検査データによって構築したデータセットによって検証した。実験結果は,深さ学習に基づく識別方法が電力小部品の同定を実現でき,FasterR-CNNを用いて,80msの認識速度と92.7%の精度を達成できることを示した。これらの結果は,FasterR-CNNアルゴリズムの優位性を示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *無人機 ,  パラメータ ,  最適化 ,  *電力 ,  アルゴリズム ,  *画像 ,  物体認識 ,  ネットワーク ,  電線 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 実時間 ,  畳込みニューラルネットワーク ,  質感 ,  ランダムフォレスト , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 無人機 ,  検査 ,  小部品 ,  識別 ,  研究