基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测
作者:仲林林; 胡霞; 刘柯妤
更新时间:
电力线路无人机拍摄的杆塔图像背景复杂,正负样本不均,严重影响了杆塔异常检测的准确性。本文提出了一种改进的基于压缩激活的快速异常检测生成对抗网络(SE-fAnoGAN),可以提高复杂背景下无人机杆塔检测图像异常检测的准确性。首先,将压缩激活网络(SENet)引入f-anogan编码器,提取图像中的显著性信息。然后,将生成对策网络的无监督学习与两个分类器的监督学习有机地结合起来,实现了前者的特征提取优势与后者的识别优势的互补。在此基础上,借助基于迁移学习的优化训练策略,进一步有效地提高了模型在大规模数据集上的泛化性能。实验结果表明,整体样本的检测准确率为95.74%,正样本和负样本的召回率分别为96.05%和95.36%,证明了se-f-anogan在异常检测中的有效性。