基于迁移学习的风力发电机叶片裂缝识别

论文摘要

采用基于Inception v3模型的迁移学习方法对风机叶片裂缝进行自动检测,分别设计了基于反向传播（BP）神经网络和超限学习机（ELM）的全连接层实现叶片状态分类。实验结果表明:迁移学习方法的收敛速度和网络精度均优于Faster R-CNN和Yolo v3深度学习算法。对于结构相对简单的全连接层,用ELM超限学习机可取得与BP神经网络相近的性能指标（准确率89. 3%,召回率91. 5%,F1值0. 819）,但训练速度可提高上千倍,适用于对实时性要求较高的应用场景。

论文目录

文章来源

类型: 期刊论文

作者: 刘艳霞,丁小燕,方建军

关键词: 迁移学习,超限学习机,神经网络,深度学习,风机叶片

来源: 传感器与微系统 2019年08期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 电力工业,自动化技术

单位: 北京联合大学城市轨道交通与物流学院,河北省科学院地理科学研究所地理信息开发应用研究中心

基金: 国家自然科学基金资助项目(61602041),北京联合大学人才强校优选计划项目(BPHR2017CZ07)

分类号: TP18;TM315

DOI: 10.13873/J.1000-9787(2019)08-0107-04

页码: 107-110

总页数: 4

文件大小: 930K

下载量: 199

相关论文文献

标签：迁移学习论文;  超限学习机论文;  神经网络论文;  深度学习论文;  风机叶片论文;