来源：期刊VIP网 时间：
作者：黄力;吴珈承;
单位：三峡大学电气与新能源学院;
摘要：针对山火严重威胁输电线路安全的问题，提出一种改进Faster R-CNN的输电线路山火图像检测方法。选用ResNeSt50作为主干网络以提升模型性能，同时在主干网络后面加入递归特征金字塔（RFP）以增强模型在多尺度上的特征提取能力。采用CIoU Loss回归损失函数以提高边界框回归速率和定位精度，使用Focal Loss分类损失函数以提高对小目标的烟雾和火焰检测精度。运用Kmeans++聚类算法对烟雾和火焰数据进行anchor尺寸优化，以提高算法的检测准确率。利用数据增强技术来解决图像数量不足和天气环境变化影响检测精度的问题。经过训练和测试，结果显示改进后的Faster RCNN方法在平均精度均值上达到了95.54%，比原模型提高了7.39%，能够有效识别输电线路附近产生的烟雾和火焰，满足山火检测准确性和实时性的要求。
关键词：深度学习;;山火检测;;烟雾检测;;Kmeans++;;ResNeSt50;;CIoU Loss;;Focal Loss;;RFP
基金资助：湖北省自然科学基金项目（2020CFB376）
