【摘要】：電力設(shè)備紅外圖像識(shí)別是實(shí)現(xiàn)紅外成像下電力設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷的必要前提。在實(shí)際場(chǎng)景中,由于紅外圖像的成像特點(diǎn)、背景環(huán)境的復(fù)雜性以及電力設(shè)備自身的多樣性和差異性,電力設(shè)備紅外圖像識(shí)別存在較大難度,基于人工特征的傳統(tǒng)圖像識(shí)別方法難以滿足實(shí)際場(chǎng)景中電力設(shè)備紅外圖像識(shí)別的要求。而近年來(lái)興起的以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)由于能對(duì)輸入進(jìn)行由淺到深多層次的特征表征和端到端的學(xué)習(xí),在圖像識(shí)別的性能上顯著優(yōu)于傳統(tǒng)方法。因此,本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)在電力設(shè)備紅外圖像識(shí)別中的應(yīng)用進(jìn)行研究�？紤]到實(shí)際場(chǎng)景中的電力設(shè)備紅外圖像識(shí)別是一個(gè)目標(biāo)檢測(cè)任務(wù),先分析了將基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法應(yīng)用到電力設(shè)備紅外圖像識(shí)別面臨的難點(diǎn)。然后針對(duì)難點(diǎn),以基于特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,FPN)的Faster R-CNN模型(本文簡(jiǎn)稱為FP-FRCNN)為研究基礎(chǔ),通過(guò)分析FP-FRCNN存在的不足,對(duì)FP-FRCNN進(jìn)行改進(jìn),最終所提出的基于改進(jìn)FP-FRCNN模型的電力設(shè)備紅外圖像識(shí)別算法實(shí)現(xiàn)了電力設(shè)備紅外圖像高精度且較快速的識(shí)別。本文主要工作內(nèi)容如下:(1)基于FP-FRCNN模型的電力設(shè)備紅外圖像識(shí)別算法研究。為了解決電力設(shè)備紅外圖像識(shí)別存在小尺寸設(shè)備較難識(shí)別以及視覺(jué)特征較難提取的問(wèn)題,本文以對(duì)小目標(biāo)具有較強(qiáng)識(shí)別能力的FP-FRCNN模型為研究基礎(chǔ),通過(guò)分析原始的FP-FRCNN模型存在的不足,對(duì)其進(jìn)行改進(jìn):從增強(qiáng)模型特征提取能力角度出發(fā),在模型的卷積主干網(wǎng)絡(luò)部分使用密集連接結(jié)構(gòu)并引入壓縮激勵(lì)結(jié)構(gòu);還從提升模型目標(biāo)定位精度角度出發(fā),使用Ro IAlign池化代替原來(lái)的Ro I Pooling池化。在自建的電力設(shè)備紅外圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,改進(jìn)的FP-FRCNN模型能達(dá)到90.4%的m AP(mean Average Precision),相比原始FP-FRCNN模型提升5.7個(gè)百分點(diǎn),且在GPU上能達(dá)到15幀/秒的識(shí)別速度。(2)電力設(shè)備紅外圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。為將本文的研究成果直接應(yīng)用于實(shí)際,本文還設(shè)計(jì)了一個(gè)電力設(shè)備紅外圖像識(shí)別系統(tǒng)。其由本地識(shí)別主系統(tǒng)和遠(yuǎn)程識(shí)別子系統(tǒng)兩部分組成,可對(duì)保存于本地的或通過(guò)網(wǎng)絡(luò)傳輸過(guò)來(lái)的電力設(shè)備紅外圖像進(jìn)行精準(zhǔn)識(shí)別,并將識(shí)別結(jié)果可視化,同時(shí)顯示識(shí)別時(shí)間、目標(biāo)數(shù)量等相關(guān)信息,具有一定的實(shí)用價(jià)值。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TM50;TP391.41;TP183
【圖文】：

（1）電力設(shè)備紅外圖像的視覺(jué)特征較難提�。杭t外圖像是反映物體表面溫度分布狀的偽彩色圖像，具有整體灰度分布低且集中、信噪比低、對(duì)比度低等特點(diǎn)[21]。如圖所示，與可見(jiàn)光圖像相比，紅外圖像的整體質(zhì)量較低、缺少圖像細(xì)節(jié)信息。而基于卷神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法是直接利用圖像數(shù)據(jù)來(lái)學(xué)習(xí)圖像的特征表示，圖像質(zhì)量的不和細(xì)節(jié)信息的缺乏會(huì)增加 CNN 提取視覺(jué)特征的難度。（2）小尺寸設(shè)備較難識(shí)別：電力設(shè)備紅外圖像中有很多電力設(shè)備的尺寸都比較小，比圖 1-1a)中的絕緣子、刀閘、避雷器等。而對(duì)于基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，由CNN 在逐層提取圖像特征得到語(yǔ)義信息的過(guò)程中，特征圖的分辨率會(huì)不斷降低，物體尺寸不同會(huì)導(dǎo)致相應(yīng)的語(yǔ)義信息出現(xiàn)在卷積神經(jīng)網(wǎng)絡(luò)的不同層。小尺寸物體相應(yīng)的語(yǔ)信息會(huì)出現(xiàn)在更靠前的網(wǎng)絡(luò)層，而到了更靠后的網(wǎng)絡(luò)層其語(yǔ)義信息則會(huì)消失[22]，從而致網(wǎng)絡(luò)最后的分類層難以對(duì)小尺寸物體進(jìn)行分類判斷，另外小尺寸物體對(duì)識(shí)別的定位度也有更高的要求，這些因素都使得小尺寸設(shè)備較難識(shí)別。

CNN 中一個(gè)二維卷積操作的示例[35]（滑動(dòng)步長(zhǎng)經(jīng)網(wǎng)絡(luò)中執(zhí)行池化操作的層，也叫下采樣層。池化函數(shù)將特征圖的響應(yīng)值匯合起來(lái)，從而達(dá)。在卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，通常是在幾個(gè)連來(lái)對(duì)卷積層提取的特征表示進(jìn)行降維和抽象�；瘮�(shù)。其中平均池化函數(shù)給出輸入的相鄰矩的背景信息。而最大池化函數(shù)則給出輸入的相數(shù)，能保留更多的紋理信息。因?yàn)槌鼗窃诳账圆粫?huì)改變數(shù)據(jù)體的深度，也不會(huì)引入需要圖的空間尺寸，從而減少網(wǎng)絡(luò)的參數(shù)和計(jì)算量全連接層與多層前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是一致有輸出數(shù)據(jù)全部連接。全連接層實(shí)現(xiàn)的功能是

圖 2-3 LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖[7]2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，就是根據(jù)訓(xùn)練數(shù)據(jù)不斷調(diào)整網(wǎng)絡(luò)中可學(xué)習(xí)的參數(shù)。在卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中，有兩個(gè)基本過(guò)程：前向傳播（forwardpropagation）和反向傳播（backwardpropagation）[36]，卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練正是通過(guò)前向傳播和反向傳播過(guò)程交替迭代執(zhí)行直到網(wǎng)絡(luò)模型收斂來(lái)實(shí)現(xiàn)的。前向傳播過(guò)程中，輸入樣本 提供初始信息，然后傳播到每一層的神經(jīng)元，信息通過(guò)網(wǎng)絡(luò)向前流動(dòng)，最終產(chǎn)生預(yù)測(cè)輸出 ，并通過(guò)損失函數(shù)（loss function，也稱目標(biāo)函數(shù)或代價(jià)函數(shù)）來(lái)量化網(wǎng)絡(luò)預(yù)測(cè)輸出 與輸入樣本對(duì)應(yīng)的真實(shí)標(biāo)簽y之間的吻合度。損失函數(shù)通常由基本的損失函數(shù)再加上一個(gè)用于控制網(wǎng)絡(luò)模型復(fù)雜度的正則項(xiàng)組成如式（2-1）所示：

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 陳俊佑;金立軍;段紹輝;姚森敬;趙靈;;基于Hu不變矩的紅外圖像電力設(shè)備識(shí)別[J];機(jī)電工程;2013年01期

相關(guān)碩士學(xué)位論文 前1條

1 張明;基于紅外圖像的變電設(shè)備分類及在故障診斷中的應(yīng)用[D];合肥工業(yè)大學(xué);2012年

本文編號(hào)：2805814