Page 49 - 无损检测2023年第九期

耿座学, 等:

边缘算法优化 FasterR-CNN 算法下的输电线路缺陷识别方法

陷图像共1200个样本, 其中1000个样本作为训练集 250 ; 阈值为0. ; 动量为0.5 ; 权重衰减为0.05 。
8
5
0
对设计算法进行训练, 再利用200个样本作为测试集 2.1 图像识别结果
进行测试。训练参数设置如下: 初始学习率为0.01 ; 最 针对无人机所采集的测试对象图像, 采用文章

终学习率为 0.0001 ; 批尺寸设置为 4 ; 最大训练轮数为 算法进行缺陷识别, 所得结果如图3所示。
0

图3 FasterR-CNN 算法的缺陷识别结果
由图 3 可知, 采用文章算法对初始采集的测 说明采用文章算法能够准确识别测试对象缺陷, 有
试对象进行预处理, 能够有效抑制图像内的噪声 利于提升测试对象故障检修效率。

影响, 提升图像内目标的清晰度。单纯采用 Faster 2.3 缺陷类别识别准确率测试
R-CNN 算法进行图像缺陷识别时, 识别结果纹理 测试对象采用文章设计方法、 文献[ 3 ] 方法、 文
缺失, 仅能获取测试对象部分图像轮廓, 表明单纯 献[ 4 ] 方法进行缺陷识别后, 部分缺陷类型的识别准

的 FasterR-CNN 算法识别精度具有一定限制性。 确率如图4所示。
采用文章算法中边缘计算优化的 FasterR-CNN 算 由图4可知, 与另外两种方法相比, 文章算法对

法进行图像缺陷识别时, 不仅测试对象边缘识别 测试对象各主要缺陷类别的识别准确率高达 85%
精度明显提高, 测试对象的整体识别精度也得到 以上, 具有更高的缺陷识别准确率, 应用效果更好。
提高, 说明文章算法能够显著提升测试对象缺陷
3 结语
识别精度。
2.2 缺陷识别结果 文章研究了一种基于边缘算法优化 FasterR-

设定测试对象缺陷类型, 采用文章算法识别测 CNN 算法的输电线路缺陷识别方法, 针对 Faster
试对象缺陷类型, 并与设定缺陷类型进行对比, 以此 R-CNN 算法在识别图像过程中的边缘识别效果较
验证文章算法的缺陷识别性能。部分测试对象的缺 差的问题, 通过边缘算法对其进行优化, 再利用优化
陷识别结果如表1所示。 后的模型来实现输电线路缺陷识别。测试结果显
由表1可知, 采用文章算法识别测试对象缺陷 示, 文章方法能够显著提升图像识别的精度, 更适于
类型所得结果同测试对象设定缺陷类别完全一致, 输电线路的缺陷识别。
5
1
2023年 第45卷 第9期
无损检测