基于改进YOLOv3的电力设备智能巡检技术

随着牵引变电所数量逐年增加,人工巡检逐渐被无人值守代替,基于深度学习的目标检测算法被更多的应用到电力设备智能巡检中。但是在实际应用中发现,由于待检测目标较小,当拍摄角度倾斜并且光线条件差时,深度学习模型的准确率会降低,这是因为算法的鲁棒性低,出现与样本中的角度或者光照差异大时会严重影响模型的检测能力。基于此,对YOLOv3算法中的特征融合部分及损失函数和锚框的大小的选取进行改进,利用改进后的ASFF融合方式对电力设备中的各式各样图像进行分类,通过对电力设备场景的实测及反复试验,结果表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。