基于双模态EOF-FireNet和Mask RECNN的煤矿变电站设备识别方法研究

汤旭日; 孙继成; 王妍玮

doi:10.13436/j.mkjx.202608045

煤矿机械 ›› 2026, Vol. 47 ›› Issue (8) : 254 -259. DOI: 10.13436/j.mkjx.202608045

基于双模态EOF-FireNet和Mask RECNN的煤矿变电站设备识别方法研究

汤旭日, 孙继成, 王妍玮

作者信息 +

Author information +

文章历史 +

摘要

为提高煤矿变电站中不同类别设备的识别准确率，提出了基于双模态事件光流（EOF）-FireNet和Mask区域事件驱动力卷积神经网络（RECNN）的煤矿变电站设备识别方法。该方法对煤矿变电站设备的事件流数据和灰度图进行预处理，构建基于卷积神经网络（CNN）的图像重建模型，融合事件和极性图像，结合EOF-FireNet重建的时间动态信息与极性图像的空间结构信息进行识别。实验结果表明，该方法可以在正常、过曝、过暗3种光照条件下对煤矿变电站中各类电力设备进行识别，其平均识别精度分别为90.5%、91.3%和94%，特别是箱式变压器识别精度可达98%。该方法能有效抑制环境中的运动干扰，提升煤矿变电站设备检测的鲁棒性。