一种采用级联RPN的多尺度特征融合电表箱锈斑检测算法

摘要

配电柜锈蚀会导致的后果有接触不良,严重的甚至会导致火灾、部分电气控制设备爆炸。为此,本文提出一种基于神经网络的多尺度电表锈斑检测方法。首先,基于大量的锈斑数据,训练识别锈斑的卷积神经网络(CNN)模型;其次,利用训练出的CNN模型,对电表表箱的位置进行检测,同时实现对电表表面锈斑的实时识别。算法融合了通过级联RPN网络获得多尺度的特征映射,充分利用低层特征的位置信息和高层特征的强语义信息来增强检测效果。针对采集的电表锈斑数据集,电表检测达到94. 9%的精确度,优于采用YOLOv2达到的91. 1%的精确度,锈斑分类精度达到94. 5%。锈斑识别的识别率、实时性和稳定性可以较好地满足实际应用的需要。