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備上需要跨越漫長的距離。輸電系統(tǒng)在這一過程中起著重要的作用。線路缺陷檢測是保障輸電系統(tǒng)安全運行的關鍵環(huán)節(jié),它的檢測效果直接決定了巡檢效果。但是線路缺陷的圖像檢測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,在繁復的現(xiàn)實工況下缺乏普適性和有效性。本文將深度學習方法引入散斷股檢測算法中,為散斷股的檢測提供了全新的思路。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)散斷股檢測算法和Faster R-CNN的部分理論知識,然后提出兩種基于深度學習的散斷股檢測方法,分別闡述兩種算法的背景、理論和實驗,它們克服了傳統(tǒng)圖像算法普適性不好的缺點,也改善了通用深度學習方法在散斷股檢測問題上效果不理想的問題。實驗數(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、受注意力機制的啟發(fā),提出一種基于四通道Faster R-CNN的散斷股檢測算法。算法在原殘差網(wǎng)絡三色輸入通道的基礎上增加一個注意力通道。注意力通道中的數(shù)據(jù)可以指導網(wǎng)絡提高注意力區(qū)域的識別置信度,提高檢出數(shù),改善模型檢測效果。實驗... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

散斷股目標（紅框內(nèi)為目標）

第二章散斷股檢測和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�，低層語義一般是簡單的幾何圖樣，中層語義是復雜一些的幾何形狀，而高層語義已經(jīng)可以看出是某些目標的輪廓或者較復雜的幾何圖案了。這些卷積核在掃過圖像時，會對感受野內(nèi)符合卷積核要求的區(qū)域產(chǎn)生較強的響應并反映在輸出數(shù)據(jù)上。下一卷積層以上一層的輸出響應作為輸入，對經(jīng)過上一個卷積層響應的圖像做進一步處理，并輸出合適的特征向量。最后由一個簡單的分類器（例如全連接層）輸出圖片所屬每個類別的概率。我們也可以從稀疏交互（SparseInteraction）的角度來看卷積神經(jīng)網(wǎng)絡。所謂稀疏交互，即卷積核尺度遠小于輸入數(shù)據(jù)的維度，這樣每個輸出神經(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)絡的參數(shù)數(shù)量是逐級遞減的，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)絡可以先學習局部特征，再將局部特征組合起來形成更復雜和抽象的特征檢測器，稀疏交互也是卷積神經(jīng)網(wǎng)絡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習的要求。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)絡冗余參低層語義中層語義高層語義分類器

安徽大學碩士學位論文11數(shù)，降低網(wǎng)絡對內(nèi)存容量和計算量的需求，同時盡量保留有用的信息，同時也能緩解過擬合�，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)絡的非線性表達能力，人們向神經(jīng)網(wǎng)絡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），但因它的導數(shù)特性與網(wǎng)絡訓練的要求不相適應，很快就被Sigmoid、Tanh和Relu函數(shù)代替�，F(xiàn)在應用較多的是Relu，它的計算

【參考文獻】：
期刊論文
[1]基于無人機的輸電線路巡檢技術研究[J]. 張亮,楊善婷.  山西建筑. 2018(34)
[2]分析旋翼無人機應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)導線斷股檢測[J]. 李泊,陳誠.  中國電力. 2019(01)
[4]基于深度學習的輸電線路外破圖像識別技術[J]. 張驥,余娟,汪金禮,譚守標.  計算機系統(tǒng)應用. 2018(08)
[5]基于無人機圖像的配網(wǎng)線斷股缺陷實時檢測[J]. 熊彪,胡冉.  技術與市場. 2018(02)
[6]基于圖像處理技術的飛機巡線導線斷股缺陷檢測方法[J]. 齊國順,尚方,韓冰,王孝余.  黑龍江電力. 2017(06)
[7]基于圖像識別的無人機輸電線路斷股檢測系統(tǒng)設計[J]. 高曉東,鄭連勇,王蔚,曹飛.  現(xiàn)代電子技術. 2017(20)
[8]基于無人機圖像的輸電線斷股與異物缺陷檢測方法[J]. 王萬國,張晶晶,韓軍,劉俍,朱銘武.  計算機應用. 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 2013
[2]輸電線路導線斷股的圖像檢測方法[D]. 李安.華北電力大學 2013



本文編號：3449540