摘要:由于火力发电厂中构建庞大、设备繁多,同时具有危害人体的噪音,难免会对人工巡检质量造成一定的负面影响。传统的巡检只是人工对设备进行经验性观察,并不具备图像的识别、记录以及分析。为了解决这些问题,本文提出一种基于YOLO V3的改进算法,首先利用K-means算法的对所用数据集进行聚类分析,其次考虑到本文是对电厂进行图像识别,为了提高准确率,以及运算速度情况下对YOLO V3的结构进行改进:一方面是将原网络的5次卷积下采样转变成5次混合下采样方式;另一方面把原网络Darknet53轻量化,转变成Darknet45。用本文提出的算法在巡检数据集上与YOLO V3上进行实验,结果表明,无论目标识别精准度、训练测试速度还是显存占用上,都比原网络表现优异。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社