發(fā)布時(shí)間：2021-04-27 06:52

　　為了提高電氣設(shè)備狀態(tài)監(jiān)測的智能化水平,許多監(jiān)測技術(shù)得到積極地推廣和應(yīng)用,在眾多監(jiān)測技術(shù)中紅外熱成像技術(shù)因其不停電、不取樣、不解體等優(yōu)點(diǎn)而備受青睞。隨著紅外診斷技術(shù)在電力系統(tǒng)應(yīng)用越來越廣泛,紅外成像儀的數(shù)量和巡檢拍攝的紅外圖像也逐年增多。目前對紅外圖像的分析診斷多依賴人工,而目前的紅外監(jiān)測人員較少且無法滿足對巨量紅外圖像的分析工作,再加上部分監(jiān)測人員的專業(yè)知識水平和監(jiān)測經(jīng)驗(yàn)積累不足,因此對缺陷的分析判斷能力較差,這大大制約了設(shè)備狀態(tài)監(jiān)測智能化水平的提升。隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展,本文將深度學(xué)習(xí)引入到對電氣設(shè)備紅外圖像的分析處理中。首先,本文介紹了傳統(tǒng)紅外圖像處理技術(shù)并提出其不足之處,之后介紹更智能化的深度學(xué)習(xí)（Deep Learning）,介紹了深度學(xué)習(xí)的理論基礎(chǔ)、在圖像處理領(lǐng)域的應(yīng)用以及其遷移學(xué)習(xí)的理論基礎(chǔ)。然后,對深度學(xué)習(xí)的圖像分割應(yīng)用進(jìn)行更深入的研究,從AlexNet、VGG、ResNet再到FCN和Mask R-CNN分析深度學(xué)習(xí)在圖像分割領(lǐng)域的理論基礎(chǔ)和應(yīng)用效果。最后,使用Mask R-CNN與遷移學(xué)習(xí)對電氣設(shè)備紅外圖像進(jìn)行目標(biāo)檢測和分割,詳細(xì)介紹了訓(xùn)練的實(shí)驗(yàn)環(huán)境、訓(xùn)... 

【文章來源】：華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)
        1.2.1 電力系統(tǒng)中紅外熱成像技術(shù)應(yīng)用現(xiàn)狀
        1.2.2 紅外圖像處理及分析研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 論文研究內(nèi)容及文章結(jié)構(gòu)
第2章 電氣設(shè)備紅外圖像分析與深度學(xué)習(xí)技術(shù)研究
    2.1 傳統(tǒng)電氣設(shè)備紅外圖像分析技術(shù)
    2.2 傳統(tǒng)電氣設(shè)備紅外圖像分析技術(shù)的不足
    2.3 深度學(xué)習(xí)技術(shù)
        2.3.1 深度學(xué)習(xí)的基礎(chǔ)——卷積神經(jīng)網(wǎng)絡(luò)
        2.3.2 深度學(xué)習(xí)的應(yīng)用——圖像分割
        2.3.3 深度學(xué)習(xí)的進(jìn)階——遷移學(xué)習(xí)
    2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的圖像分割方法研究
    3.1 引言
    3.2 基礎(chǔ)模型研究
        3.2.1 AlexNet模型
        3.2.2 VGG模型
        3.2.3 ResNet模型
    3.3 圖像分割模型研究
        3.3.1 FCN模型
        3.3.2 Mask R-CNN模型
        3.3.3 FCN和Mask R-CNN的比較
    3.4 本章小結(jié)
第4章 基于Mask R-CNN的電氣設(shè)備紅外圖像識別
    4.1 實(shí)驗(yàn)整體流程
    4.2 實(shí)驗(yàn)環(huán)境
        4.2.1 編碼語言
        4.2.2 訓(xùn)練平臺
        4.2.3 硬件環(huán)境
    4.3 實(shí)驗(yàn)數(shù)據(jù)集
    4.4 訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        4.4.1 特征提取網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.2 區(qū)域推薦網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.3 分割網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.4 訓(xùn)練損失函數(shù)
        4.4.5 參數(shù)調(diào)節(jié)
    4.5 訓(xùn)練過程及結(jié)果分析
        4.5.1 COCO數(shù)據(jù)集訓(xùn)練結(jié)果及分析
        4.5.2 電氣設(shè)備紅外數(shù)據(jù)集訓(xùn)練結(jié)果及分析
        4.5.3 不同迭代次數(shù)對分割結(jié)果影響對比及分析
        4.5.4 模型最終檢測結(jié)果分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[2]基于紅外圖像分析的電力設(shè)備熱故障檢測技術(shù)研究[J]. 蘆竹茂,王天正,俞華,馬麗強(qiáng),劉永鑫.  現(xiàn)代電子技術(shù). 2017(11)
[3]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉.  艦船電子工程. 2017(04)
[4]基于紅外圖像識別的輸電線路故障診斷方法[J]. 王淼,杜偉,孫鴻博,張靜.  紅外技術(shù). 2017(04)
[5]基于改進(jìn)FAsT-Match算法的電力設(shè)備紅外圖像多目標(biāo)定位[J]. 鄒輝,黃福珍.  中國電機(jī)工程學(xué)報(bào). 2017(02)
[6]基于FAsT-Match算法的電力設(shè)備紅外圖像分割[J]. 鄒輝,黃福珍.  紅外技術(shù). 2016(01)
[7]基于圖像分析的電力設(shè)備故障檢測技術(shù)研究[J]. 馮俊.  現(xiàn)代電子技術(shù). 2015(24)
[8]基于圖像分割和輪廓矩的果蠅求偶行為識別方法[J]. 孫吉祥,梁敬東.  計(jì)算機(jī)應(yīng)用與軟件. 2015(04)
[9]基于自適應(yīng)遺傳算法的變電站紅外圖像模糊增強(qiáng)[J]. 崔昊楊,許永鵬,孫岳,孫旭日,盛戈皞,江秀臣.  高電壓技術(shù). 2015(03)
[10]基于紅外圖像的絕緣子串自動(dòng)提取和狀態(tài)識別[J]. 姚建剛,付鵬,李唐兵,朱向前,伍也凡,歐陽旭,付強(qiáng).  湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)

博士論文
[1]基于深度學(xué)習(xí)的電力設(shè)備圖像識別及應(yīng)用研究[D]. 李軍鋒.廣東工業(yè)大學(xué) 2018

碩士論文
[1]基于視覺的行人檢測技術(shù)研究[D]. 王浩.遼寧工業(yè)大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學(xué) 2017
[3]海空遠(yuǎn)距離紅外小目標(biāo)檢測技術(shù)研究[D]. 黃心雨.電子科技大學(xué) 2017
[4]膜計(jì)算在變電站電力設(shè)備紅外圖像分割與故障檢測中的應(yīng)用[D]. 譚靖.西華大學(xué) 2016
[5]電氣設(shè)備紅外圖像分析與處理[D]. 楊洋.北京交通大學(xué) 2015
[6]基于紅外圖像的電力變壓器故障的在線檢測[D]. 李文芳.安徽理工大學(xué) 2014
[7]基于紅外測溫技術(shù)的變電設(shè)備缺陷診斷分析[D]. 李鵬程.華北電力大學(xué) 2014
[8]變電站電力設(shè)備紅外圖像分割技術(shù)研究[D]. 王如意.西安科技大學(xué) 2011



本文編號：3162995