【摘要】：在電網(wǎng)系統(tǒng)中,對(duì)于輸電線路的巡檢保護(hù)是保障電網(wǎng)能否正常運(yùn)行的重要環(huán)節(jié),多數(shù)情況下采用圖像處理技術(shù)對(duì)無(wú)人機(jī)采集到的海量圖像進(jìn)行識(shí)別檢測(cè)。但由于傳統(tǒng)機(jī)器學(xué)習(xí)步驟繁雜,耗時(shí)極長(zhǎng),已不適用于對(duì)數(shù)量龐大的數(shù)據(jù)集識(shí)別檢測(cè)。而隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,出現(xiàn)了深度學(xué)習(xí)算法,它可以自動(dòng)對(duì)圖片特征進(jìn)行提取,使圖像在網(wǎng)絡(luò)中能被更好的識(shí)別,同時(shí)相較于傳統(tǒng)網(wǎng)絡(luò)有著更強(qiáng)的泛化能力;但在深度學(xué)習(xí)算法中,淺層神經(jīng)網(wǎng)絡(luò)對(duì)于復(fù)雜背景下的圖像識(shí)別并不十分理想,由此產(chǎn)生了深層神經(jīng)網(wǎng)絡(luò)用來(lái)針對(duì)數(shù)據(jù)量較大,背景相對(duì)復(fù)雜的圖像數(shù)據(jù)集。由于輸電線路故障圖像的特殊性,故本文選擇采用深層神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行識(shí)別檢測(cè)。本文以TensorFlow為平臺(tái),對(duì)9類輸電線路故障進(jìn)行識(shí)別檢測(cè)實(shí)驗(yàn),提出使用以VGG16為基礎(chǔ)網(wǎng)絡(luò)的Faster-RCNN的網(wǎng)絡(luò)用于輸電線路故障圖像的識(shí)別與檢測(cè),并通過(guò)對(duì)RPN網(wǎng)絡(luò)中batch_size大小的不斷調(diào)整,確定網(wǎng)絡(luò)中的正負(fù)樣本比例,從而達(dá)到對(duì)網(wǎng)絡(luò)優(yōu)化的目的,由此形成輸電線路故障檢測(cè)網(wǎng)絡(luò)模型。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中,首先對(duì)無(wú)人機(jī)采集到的輸電線路故障圖像進(jìn)行分割預(yù)處理,并利用圖像增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充,最終得到3300張圖像并將其分為訓(xùn)練集和測(cè)試集,然后選擇合適的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò),再通過(guò)改進(jìn)RPN網(wǎng)絡(luò)以及使用軟化非極大值抑制對(duì)原始的Faster-RCNN網(wǎng)絡(luò)進(jìn)行改進(jìn),以其作為數(shù)據(jù)集的檢測(cè)網(wǎng)絡(luò),最后通過(guò)網(wǎng)絡(luò)得到預(yù)測(cè)框圖及其預(yù)測(cè)分?jǐn)?shù),經(jīng)過(guò)統(tǒng)計(jì)運(yùn)算獲得各類的MAP,得到網(wǎng)絡(luò)測(cè)試集的總MAP為93.68%。通過(guò)實(shí)驗(yàn)可知,在背景復(fù)雜的輸電線路故障圖像數(shù)據(jù)集中,運(yùn)用改進(jìn)后的檢測(cè)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別和檢測(cè),可以對(duì)輸電線路故障進(jìn)行良好的判斷。改進(jìn)后的網(wǎng)絡(luò)有效的提高了網(wǎng)絡(luò)的運(yùn)行效率,對(duì)輸電線路故障識(shí)別準(zhǔn)確率也有顯著提升。對(duì)于提升電網(wǎng)巡檢效率,保障電網(wǎng)正常運(yùn)行提供了新的思路。
【圖文】：

圖 1-1 輸電線路故障識(shí)別方法執(zhí)行流程 Transmission line fault identification method execution f容是研究卷積神經(jīng)網(wǎng)絡(luò)，利用相關(guān)算法解決識(shí)別輸從而提高電網(wǎng)整體的運(yùn)行效率，為電網(wǎng)中的輸電。主要研究?jī)?nèi)容包括：為了獲得可用于分類的良好輸電線路故障圖像圖像進(jìn)行采集，因?yàn)椴杉降妮旊娋�路故障巡檢入卷積神經(jīng)網(wǎng)絡(luò)中會(huì)導(dǎo)致網(wǎng)絡(luò)無(wú)法正常工作，所隨后將所得圖像進(jìn)行處理，添加對(duì)應(yīng)故障圖像集。網(wǎng)絡(luò)：利用當(dāng)前數(shù)據(jù)集，搭建適用于本數(shù)據(jù)集

8(g)正常鏈接金具 (h)鏈接金具銹蝕 (i)輸電線雜物圖 2-2 原始輸電線路故障圖像Fig.2-2 Original Image fault of Transmission line在這些圖像中，冗余無(wú)關(guān)信息過(guò)多，由此建立起的數(shù)據(jù)集無(wú)法正常使用，會(huì)嚴(yán)重干擾對(duì)故障圖像的識(shí)別情況，導(dǎo)致識(shí)別率過(guò)于低下，影響實(shí)驗(yàn)結(jié)果，最終影響對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)本身的判斷。因此，需要將原始圖像剪切為適當(dāng)大小，以適應(yīng)建立起的網(wǎng)絡(luò)模型輸入，方便網(wǎng)絡(luò)進(jìn)行正常工作，提高網(wǎng)絡(luò)的識(shí)別率。有時(shí)，一張?jiān)紙D像中包含多種相同或不同的故障類型，因?yàn)樵脊收蠄D像的數(shù)量有限，所以對(duì)圖像的正確分割可
【學(xué)位授予單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TM75;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 王振;高茂庭;;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2015年20期

2 高強(qiáng);陽(yáng)武;李倩;;DBN層次趨勢(shì)研究及其在航拍圖像故障識(shí)別中的應(yīng)用[J];儀器儀表學(xué)報(bào);2015年06期

3 姜浩然;金立軍;閆書(shū)佳;;航拍圖像中絕緣子的識(shí)別與故障診斷[J];機(jī)電工程;2015年02期

4 張建明;詹智財(cái);成科揚(yáng);詹永照;;深度學(xué)習(xí)的研究與發(fā)展[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

5 余永維;殷國(guó)富;殷鷹;杜柳青;;基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識(shí)別方法[J];儀器儀表學(xué)報(bào);2014年09期

6 何思遠(yuǎn);劉剛;王玲;唐延?xùn)|;;基于無(wú)人機(jī)的輸電線路設(shè)備識(shí)別方法研究[J];紅外與激光工程;2013年07期

7 孫志軍;薛磊;許陽(yáng)明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

8 譚磊;王耀南;沈春生;;輸電線路除冰機(jī)器人障礙視覺(jué)檢測(cè)識(shí)別算法[J];儀器儀表學(xué)報(bào);2011年11期

相關(guān)博士學(xué)位論文 前1條

1 仝衛(wèi)國(guó);基于航拍圖像的輸電線路識(shí)別與狀態(tài)檢測(cè)方法研究[D];華北電力大學(xué);2011年

相關(guān)碩士學(xué)位論文 前6條

1 苗向鵬;基于圖像處理的接觸網(wǎng)絕緣子識(shí)別與破損檢測(cè)[D];西南交通大學(xué);2017年

2 劉澳;輸電線路障礙物檢測(cè)識(shí)別研究[D];湖南大學(xué);2016年

3 王斌;基于深度學(xué)習(xí)的行人檢測(cè)[D];北京交通大學(xué);2015年

4 楚敏南;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究[D];湘潭大學(xué);2015年

5 張鳳羽;基于計(jì)算機(jī)視覺(jué)的輸電線路異常巡檢圖的識(shí)別和研究[D];吉林大學(xué);2015年

6 杜騫;深度學(xué)習(xí)在圖像語(yǔ)義分類中的應(yīng)用[D];華中師范大學(xué);2014年

，

本文編號(hào)：2603769