發(fā)布時(shí)間：2021-10-21 18:53

　　在現(xiàn)代生產(chǎn)生活中,電力已成為不可或缺的組成部分。電能從發(fā)電廠生產(chǎn)出來到輸送至終端用戶設(shè)備上需要跨越漫長(zhǎng)的距離。輸電系統(tǒng)在這一過程中起著重要的作用。線路缺陷檢測(cè)是保障輸電系統(tǒng)安全運(yùn)行的關(guān)鍵環(huán)節(jié),它的檢測(cè)效果直接決定了巡檢效果。但是線路缺陷的圖像檢測(cè)算法一直依賴于傳統(tǒng)圖像處理方法,這些方法往往需要大量的前提假設(shè),在繁復(fù)的現(xiàn)實(shí)工況下缺乏普適性和有效性。本文將深度學(xué)習(xí)方法引入散斷股檢測(cè)算法中,為散斷股的檢測(cè)提供了全新的思路。本文首先介紹研究的背景和意義,隨后介紹幾種常用的傳統(tǒng)散斷股檢測(cè)算法和Faster R-CNN的部分理論知識(shí),然后提出兩種基于深度學(xué)習(xí)的散斷股檢測(cè)方法,分別闡述兩種算法的背景、理論和實(shí)驗(yàn),它們克服了傳統(tǒng)圖像算法普適性不好的缺點(diǎn),也改善了通用深度學(xué)習(xí)方法在散斷股檢測(cè)問題上效果不理想的問題。實(shí)驗(yàn)數(shù)據(jù)證明了提出的算法的可行性和有效性。本文的主要工作如下:1、受注意力機(jī)制的啟發(fā),提出一種基于四通道Faster R-CNN的散斷股檢測(cè)算法。算法在原殘差網(wǎng)絡(luò)三色輸入通道的基礎(chǔ)上增加一個(gè)注意力通道。注意力通道中的數(shù)據(jù)可以指導(dǎo)網(wǎng)絡(luò)提高注意力區(qū)域的識(shí)別置信度,提高檢出數(shù),改善模型檢測(cè)效果。實(shí)驗(yàn)... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

散斷股目標(biāo)（紅框內(nèi)為目標(biāo)）

第二章散斷股檢測(cè)和FasterR-CNN10義信息就越豐富。圖2.1CNN卷積核特征可視化圖2.1[21]是在ImageNet數(shù)據(jù)集上訓(xùn)練得到的CNN卷積核可視化結(jié)果�？梢钥吹�，低層語義一般是簡(jiǎn)單的幾何圖樣，中層語義是復(fù)雜一些的幾何形狀，而高層語義已經(jīng)可以看出是某些目標(biāo)的輪廓或者較復(fù)雜的幾何圖案了。這些卷積核在掃過圖像時(shí)，會(huì)對(duì)感受野內(nèi)符合卷積核要求的區(qū)域產(chǎn)生較強(qiáng)的響應(yīng)并反映在輸出數(shù)據(jù)上。下一卷積層以上一層的輸出響應(yīng)作為輸入，對(duì)經(jīng)過上一個(gè)卷積層響應(yīng)的圖像做進(jìn)一步處理，并輸出合適的特征向量。最后由一個(gè)簡(jiǎn)單的分類器（例如全連接層）輸出圖片所屬每個(gè)類別的概率。我們也可以從稀疏交互（SparseInteraction）的角度來看卷積神經(jīng)網(wǎng)絡(luò)。所謂稀疏交互，即卷積核尺度遠(yuǎn)小于輸入數(shù)據(jù)的維度，這樣每個(gè)輸出神經(jīng)元僅與前一層特定局部區(qū)域內(nèi)的神經(jīng)元存在連接。稀疏交互使得卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量是逐級(jí)遞減的，極大緩解了過大的參數(shù)數(shù)量造成的過擬合。稀疏交互在圖像處理層面上的意義則是：通常圖像等現(xiàn)實(shí)世界的數(shù)據(jù)都具有某種局部特征結(jié)構(gòu)，卷積網(wǎng)絡(luò)可以先學(xué)習(xí)局部特征，再將局部特征組合起來形成更復(fù)雜和抽象的特征檢測(cè)器，稀疏交互也是卷積神經(jīng)網(wǎng)絡(luò)可以稱為金字塔狀的特征提取器的基矗盡管經(jīng)過多年的發(fā)展，硬件算力和內(nèi)存容量都有了很大的提升，但仍然無法滿足深度學(xué)習(xí)的要求。池化層也叫下采樣層，也具有稀疏交互的特性，旨在減少網(wǎng)絡(luò)冗余參低層語義中層語義高層語義分類器

安徽大學(xué)碩士學(xué)位論文11數(shù)，降低網(wǎng)絡(luò)對(duì)內(nèi)存容量和計(jì)算量的需求，同時(shí)盡量保留有用的信息，同時(shí)也能緩解過擬合�，F(xiàn)階段常見池化層所采用的方法是最大值池化（MaxPooling）和平均池化（MeanPooling）。最大值池化指以掩膜內(nèi)的最大值作為輸出值，該方法能夠較大程度上保留圖像中的紋理信息；平均池化指對(duì)掩膜內(nèi)的像素值求平均值，以平均值作為輸出值，該方法能夠一定程度上保留背景信息。以2×2掩膜為例，它們的池化結(jié)果如圖2.2所示。圖2.2池化示例2.2.2激活函數(shù)為了保證網(wǎng)絡(luò)的非線性表達(dá)能力，人們向神經(jīng)網(wǎng)絡(luò)中引入了非線性激活函數(shù)。最原始的激活函數(shù)是階躍函數(shù)（StepFunction），但因它的導(dǎo)數(shù)特性與網(wǎng)絡(luò)訓(xùn)練的要求不相適應(yīng)，很快就被Sigmoid、Tanh和Relu函數(shù)代替�，F(xiàn)在應(yīng)用較多的是Relu，它的計(jì)算

【參考文獻(xiàn)】：
期刊論文
[1]基于無人機(jī)的輸電線路巡檢技術(shù)研究[J]. 張亮,楊善婷.  山西建筑. 2018(34)
[2]分析旋翼無人機(jī)應(yīng)用于高壓輸電線路的巡檢[J]. 吳宇.  通訊世界. 2018(11)
[3]面向航拍圖像的農(nóng)村配電網(wǎng)導(dǎo)線斷股檢測(cè)[J]. 李泊,陳誠(chéng).  中國(guó)電力. 2019(01)
[4]基于深度學(xué)習(xí)的輸電線路外破圖像識(shí)別技術(shù)[J]. 張?bào)K,余娟,汪金禮,譚守標(biāo).  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(08)
[5]基于無人機(jī)圖像的配網(wǎng)線斷股缺陷實(shí)時(shí)檢測(cè)[J]. 熊彪,胡冉.  技術(shù)與市場(chǎng). 2018(02)
[6]基于圖像處理技術(shù)的飛機(jī)巡線導(dǎo)線斷股缺陷檢測(cè)方法[J]. 齊國(guó)順,尚方,韓冰,王孝余.  黑龍江電力. 2017(06)
[7]基于圖像識(shí)別的無人機(jī)輸電線路斷股檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 高曉東,鄭連勇,王蔚,曹飛.  現(xiàn)代電子技術(shù). 2017(20)
[8]基于無人機(jī)圖像的輸電線斷股與異物缺陷檢測(cè)方法[J]. 王萬國(guó),張晶晶,韓軍,劉俍,朱銘武.  計(jì)算機(jī)應(yīng)用. 2015(08)

碩士論文
[1]架空輸電線圖像的斷股診斷方法研究[D]. 楊煉.武漢科技大學(xué) 2013
[2]輸電線路導(dǎo)線斷股的圖像檢測(cè)方法[D]. 李安.華北電力大學(xué) 2013



本文編號(hào)：3449540