An intelligent recognition system for insulator string defects based on dimension correction and optimized faster R-CNN

In diesem Aufsatz wird ein intelligentes Erkennungssystem für Isolatoren vorgeschlagen, das auf Maßkorrektur und optimierter schnellerer Region mit konvolutionalem neuronalem Netzwerk (R-CNN) beruht. Im Zuge der Aufnahme von Isolatorbildern wird ein Laserradar zur Berechnung des Korrekturvektors der Drohne verwendet. Die Position der Drohne wird angepasst, um die Konsistenz der räumlichen Dimensionen der in verschiedenen Zeitdimensionen aufgenommenen Bilder sicherzustellen. Basierend auf der nahezu invarianten räumlichen Dimension wird der schnellere R-CNN-Bilderkennungsalgorithmus optimiert. Bei der Erzeugung des Zielerkennungsrahmens werden markierte Referenzbilder hinzugefügt, um den Suchbereich zu verengen, die Geschwindigkeit der Erzeugung des Zielerkennungsrahmens zu verbessern und die Anzahl der Bilder während des Trainings zu reduzieren. Experimente und Vergleichsanalysen sind inbegriffen. Sie verifizieren den optimierten schnelleren R-CNN-Bilderkennungsalgorithmus, der weniger Bilder und Erkennungszeit erfordert, und die Erkennungsgenauigkeit erhöht sich von 85,6 auf 97,3%.