1.基于深度学习的闸调器拉杆头丢失故障图像识别方法,其特征在于包括以下步骤:
2.根据权利要求1所述的基于深度学习的闸调器拉杆头丢失故障图像识别方法,其特征在于所述resnet50残差网络的激活函数为elu,表示为:
3.根据权利要求2所述的基于深度学习的闸调器拉杆头丢失故障图像识别方法,其特征在于所述改进的cascade-rcnn网络的损失函数为diou loss,表示为:
4.根据权利要求1所述的基于深度学习的闸调器拉杆头丢失故障图像识别方法,其特征在于所述数据扩增包括:平移、缩放、亮度调整。
5.根据权利要求1所述的基于深度学习的闸调器拉杆头丢失故障图像识别方法,其特征在于所述dab闸调器拉杆头区域图像为灰度图像。
6.基于深度学习的闸调器拉杆头丢失故障图像识别系统,其特征在于包括:数据获取模块、数据扩增模块以及检测模块;
7.根据权利要求6所述的基于深度学习的闸调器拉杆头丢失故障图像识别系统,其特征在于所述resnet50残差网络的激活函数为elu,表示为:
8.根据权利要求7所述的基于深度学习的闸调器拉杆头丢失故障图像识别系统,其特征在于所述改进的cascade-rcnn网络的损失函数为diou loss,表示为:
9.根据权利要求8所述的基于深度学习的闸调器拉杆头丢失故障图像识别系统,其特征在于所述数据扩增包括:平移、缩放、亮度调整。
10.根据权利要求9所述的基于深度学习的闸调器拉杆头丢失故障图像识别系统,其特征在于所述dab闸调器拉杆头区域图像为灰度图像。