一种基于Fast RCNN的变压器部件检测方法

本发明公开了一种基于Fast RCNN的变压器部件检测方法，将特征提取网络ResNet50替换原始的VGG16作为主干特征提取网络，采用迁移学习的方式将ImageNET数据集上训练完成的权重作为模型的初始权重，利用双线性插值法替换感兴趣区域池化操作，通过K‑means聚类算法对原始数据集进行聚类分析，采用轮廓系数法作为评价标准，由聚类结果定制变压器部件故障的锚框。为深度学习在电力设备故障检测中的应用提供了思路，该模型可后续搭载各类移动检测平台，具有较高的工程使用价值，解决变压器部件检测图像的特征抽象程度不足、准确率不高等问题，有利于节省人力，保障巡检人员的安全，避免主观性大导致出现检查盲点和实时性差的问题，从而实现可靠性更高的变压器部件检测方法。