根據(jù)國家人工智能的總體規(guī)劃,智能電網(wǎng)大數(shù)據(jù)平臺的建設(shè)正在快速推進,其中核心部分就包括利用深度學(xué)習(xí)實現(xiàn)電力設(shè)備缺陷智能檢測。由于各種電力設(shè)備所固有的特殊性質(zhì),專業(yè)技術(shù)人員難以長時間對電力設(shè)備進行現(xiàn)場勘察和檢測,難以任意對電力設(shè)備進行圖像數(shù)據(jù)的采集,因此目前現(xiàn)有的電力設(shè)備圖像數(shù)據(jù)集難以滿足電力設(shè)備缺陷智能檢測模型的訓(xùn)練,使得電力設(shè)備缺陷智能檢測科研工作步履維艱。本文從電力設(shè)備數(shù)據(jù)集中的X光耐張線夾圖像數(shù)據(jù)集入手,開展基于生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks,GAN）的圖像數(shù)據(jù)集擴充模型的研究工作,并提出基于生成對抗網(wǎng)絡(luò)算法的電力設(shè)備圖像擴充模型,可生成用于擴展電力設(shè)備缺陷智能檢測模型圖像數(shù)據(jù)集的圖像。主要研究內(nèi)容如下:（1）對原始的X光耐張線夾圖像數(shù)據(jù)集進行預(yù)處理,包括數(shù)據(jù)集標(biāo)準(zhǔn)化和數(shù)據(jù)集增強,以便處理后的圖像能夠滿足后續(xù)模型的訓(xùn)練。（2）構(gòu)建GAN網(wǎng)絡(luò)模型進行X光耐張線夾圖像數(shù)據(jù)集的生成。根據(jù)介紹的兩種GAN算法設(shè)計并實現(xiàn)GAN網(wǎng)絡(luò)結(jié)構(gòu),搭建模型運行所需的實驗環(huán)境,利用X光耐張線夾圖像數(shù)據(jù)集對這兩個GAN模型進行訓(xùn)練,最終得到的實驗結(jié)果表明DCGA... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)發(fā)展歷程

電子科技大學(xué)碩士學(xué)位論文8第二章神經(jīng)網(wǎng)絡(luò)及GAN的相關(guān)技術(shù)2.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史神經(jīng)網(wǎng)絡(luò)的發(fā)展具有悠久的歷史，深度學(xué)習(xí)也是基于神經(jīng)網(wǎng)絡(luò)而發(fā)展起來的。而在這個發(fā)展歷程中，神經(jīng)網(wǎng)絡(luò)的發(fā)展真是一波三折�，F(xiàn)在，經(jīng)歷過兩次潮起潮落，神經(jīng)網(wǎng)絡(luò)迎來了它的第三次熱潮。圖2-1展示了其發(fā)展歷史。通過圖2-1還可以看到，人們對神經(jīng)網(wǎng)絡(luò)的研究最早是在20世紀(jì)40年代，并且第一次神經(jīng)網(wǎng)絡(luò)熱潮持續(xù)到了20世紀(jì)60年代末。圖2-1神經(jīng)網(wǎng)絡(luò)發(fā)展歷程美國數(shù)學(xué)家WalterPitts和神經(jīng)生理學(xué)家WarrenMcCulloch于1943年首次提出了一種形式神經(jīng)元模型[29]。這種形式神經(jīng)元模型被稱為M-P模型，是通過電阻等元件構(gòu)建的物理網(wǎng)絡(luò)得以實現(xiàn)的。Roseblatt于1958年提出了感知機，對感知機模型進行訓(xùn)練以后，計算機對于神經(jīng)元中的連接權(quán)重可以確定。它的特點是特征是全部由人工預(yù)先進行輸入的，并且是基于權(quán)重進行模式識別的。就這樣，神經(jīng)網(wǎng)絡(luò)的研究迎來了第一次熱潮[30]。第一代神經(jīng)網(wǎng)絡(luò)模型如圖2-2所示。圖2-2第一代神經(jīng)網(wǎng)絡(luò)模型

俚南咝圓豢煞治侍猓?梢醞ü?嗖愀兄???薪餼觶???人們當(dāng)時還不知道如何進行分層訓(xùn)練。物理學(xué)家JohnHopfield于20世紀(jì)80年代提出了Hopfiled模型[32]，這是一種新的神經(jīng)網(wǎng)絡(luò)模型，它是一種反饋網(wǎng)絡(luò)。Rumelhart等人提出了誤差反向傳播算法（BackPropagation，BP）[33]，該算法被成功的用于訓(xùn)練多層感知機，解決了線性不可分問題。同一時期，福島等人提出了神經(jīng)認(rèn)知機，神經(jīng)認(rèn)知機模擬了生物的視覺傳導(dǎo)通路[34]。LeCun等人將類似于生物初級視皮層的卷積層引入到神經(jīng)網(wǎng)絡(luò)中，并提出了卷積神經(jīng)網(wǎng)絡(luò)[35]。第二代神經(jīng)網(wǎng)絡(luò)模型如圖2-3所示。圖2-3第二代神經(jīng)網(wǎng)絡(luò)模型圖2-3中所示的第二代神經(jīng)網(wǎng)絡(luò)模型包含輸入層、輸出層與隱藏層，其中橙色表示輸入層，紫色表示隱藏層，綠色表示輸出層。與第一代神經(jīng)網(wǎng)絡(luò)相比，第二代神經(jīng)網(wǎng)絡(luò)雖然能夠解決更多的問題，但是仍然存在一些問題。訓(xùn)練的時間過長，減少隱藏層又會使得準(zhǔn)確率降低。只適用于監(jiān)督學(xué)習(xí)，對于大量的非監(jiān)督的問題并不適用。在訓(xùn)練的過程中極有可能陷入局部最優(yōu)解等，而且由于當(dāng)時支持向量機（SupportVectorMachine，SVM）等方法備受矚目，使得神經(jīng)網(wǎng)絡(luò)的研究再次陷入了低潮。盡管神經(jīng)網(wǎng)絡(luò)又一次陷入了低潮，但是Hinton和Bengio等人并未停止對神經(jīng)網(wǎng)絡(luò)的研究，繼續(xù)為神經(jīng)網(wǎng)絡(luò)的發(fā)展打下夯實的基矗Hinton于2006年在《科學(xué)》雜志上第一次提出了深度學(xué)習(xí)和深度網(wǎng)絡(luò)的理論[36]，引起了眾多研究者對深度學(xué)習(xí)的注意。得益于他們的研究成果，從2011年起，在語音識別和圖像識別等研究領(lǐng)域，神經(jīng)網(wǎng)絡(luò)占據(jù)了極大的優(yōu)勢，而且由于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)非常適用于圖

【參考文獻】：
期刊論文
[1]生成對抗網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用[J]. 陳錕,喬沁,宋志堅.  生命科學(xué)儀器. 2018(Z1)
[2]生成式對抗網(wǎng)絡(luò)及其計算機視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相.  中國圖象圖形學(xué)報. 2018(10)
[3]無損檢測技術(shù)在電力系統(tǒng)中的應(yīng)用[J]. 苑美實,駱令海.  科學(xué)技術(shù)創(chuàng)新. 2018(21)
[4]人工智能研究的新前線:生成式對抗網(wǎng)絡(luò)[J]. 林懿倫,戴星原,李力,王曉,王飛躍.  自動化學(xué)報. 2018(05)
[5]生成式對抗網(wǎng)絡(luò)GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報. 2017(03)
[6]電力設(shè)備無損檢測技術(shù)研究[J]. 孫言蓓.  中國高新技術(shù)企業(yè). 2015(27)
[7]電網(wǎng)設(shè)備無損檢測新技術(shù)應(yīng)用[J]. 王進,楊迎春,吳章勤,鄭欣,昌秀明.  云南電力技術(shù). 2013(05)

碩士論文
[1]基于DCGAN算法的圖像生成技術(shù)研究[D]. 蔡曉龍.青島理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像語義分割研究[D]. 肖旭.南昌航空大學(xué) 2017



本文編號：3031071