基于改进YOLOv3算法的熔断器故障检测研究

摘要

近年来,随着神经网络和深度学习在工业工程中广泛应用,计算机视觉算法在边缘端计算方面得到了极大提高.在计算机视觉领域,传统的目标检测方法通常基于低层特征训练一个特定类别的学习(如SVM),通过滑动局部窗口来检测单个类别的图像,因此可能不适用于灵敏度高、目标类型多、环境复杂的电网故障图像.对此提出在YOLOv3算法中加入FPN(特征金字塔)和Anchor的K-means聚类,使整个改进的YOLOv3算法在电气多类故障检测上比传统方法更高效、更准确.从技术角度讲,使用darknet框架并行训练YOLOv3模型,在训练过程中将小批量提升到128张,改进的YOLOv3能同时快速检测出熔断器断开故障.