近年來,隨著我國(guó)電網(wǎng)建設(shè)的迅速發(fā)展,輸電線路規(guī)模增大,設(shè)備量也相應(yīng)的增多,給電網(wǎng)的安全運(yùn)行帶來了新的挑戰(zhàn),急需新型、高效以及智能的管理手段。傳統(tǒng)的電力巡檢業(yè)務(wù)依靠人工巡視,需要攀爬桿塔,翻山越嶺,存在作業(yè)難度大,風(fēng)險(xiǎn)高,效率低等諸多問題。近年來,無人機(jī)技術(shù)和圖像識(shí)別技術(shù)取得長(zhǎng)足發(fā)展,給電力線路巡檢帶來了新的工具和思路,依靠無人機(jī)和圖像識(shí)別技術(shù)可以大大提高巡檢效率,也是目前一個(gè)熱門的研究方向。深度學(xué)習(xí)目前在語(yǔ)音,圖像,文字等領(lǐng)域有較為廣泛的使用,并且在工業(yè)應(yīng)用中取得了巨大效益。作者將深度學(xué)習(xí)技術(shù)引入到了巡檢視頻圖像的理解中,以幫助人們發(fā)現(xiàn)問題和提高效率。作者選取了基于“分類”和“回歸”的兩種不同的深度學(xué)習(xí)圖像識(shí)別框架,利用它們?nèi)プR(shí)別電力巡檢視頻中的輸電塔、樹、絕緣子、鳥窩等物體。作者準(zhǔn)備了這四種物體的圖片作為原始數(shù)據(jù)去訓(xùn)練模型,最終觀察和比較這兩種模型的表現(xiàn)差異。作者在有限的訓(xùn)練樣本中已經(jīng)取得了較為滿意的識(shí)別正確率,證實(shí)了深度學(xué)習(xí)用于巡檢圖像識(shí)別的可行性。作者給出了不同需求場(chǎng)景下框架選用的原則,在速度優(yōu)先的情況下選擇“YOLO”,在更關(guān)心準(zhǔn)確率的場(chǎng)景下選擇“Faster R-CNN”。

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1二維數(shù)據(jù)點(diǎn)聚類

第二章圖像處理基礎(chǔ)原理11圖2-1二維數(shù)據(jù)點(diǎn)聚類圖2-2手寫字符聚類2.4圖像內(nèi)容分類本節(jié)介紹圖像分類和圖像內(nèi)容分類算法。首先，介紹一些簡(jiǎn)單而有效的方法和目前一些性能最好的分類器，并運(yùn)用它們解決兩類和多分類問題。2.4.1K近鄰分類法（KNN）K近鄰[47-50](K-....

圖2-2手寫字符聚類

11圖2-1二維數(shù)據(jù)點(diǎn)聚類圖2-2手寫字符聚類2.4圖像內(nèi)容分類本節(jié)介紹圖像分類和圖像內(nèi)容分類算法。首先，介紹一些簡(jiǎn)單而有效的方法和目前一些性能最好的分類器，并運(yùn)用它們解決兩類和多分類問題。2.4.1K近鄰分類法（KNN）K近鄰[47-50](K-NearestNei....

圖2-3KNN算法模型

12圖2-3KNN算法模型圖2-3表示在二維空間中的一個(gè)分類場(chǎng)景，三角形和正方形的圖形代表已經(jīng)打標(biāo)過的兩種數(shù)據(jù)的分布，打問號(hào)的圓形數(shù)據(jù)是我們需要進(jìn)行分類的預(yù)測(cè)對(duì)象。首先在算法推導(dǎo)之前需要先設(shè)置K值：1)當(dāng)K=3時(shí)，我們找出距離預(yù)測(cè)集，也就是圓形數(shù)據(jù)最近的3個(gè)數(shù)據(jù)，這....

圖2-4KNN特性展示

圖2-4KNN特性展示中，正方形和六邊形表示已經(jīng)打標(biāo)好的數(shù)據(jù)集離的角度直觀來看，五角星應(yīng)該屬于正方形這一的分布不平衡，六邊形的數(shù)量遠(yuǎn)多于正方形的數(shù)所以KNN在目標(biāo)數(shù)據(jù)集數(shù)量比例分布不平衡的情題就是計(jì)算成本很高，因?yàn)槊總�(gè)預(yù)測(cè)點(diǎn)都需要對(duì)常大的計(jì)算資源開銷。eBayesian....

本文編號(hào)：4001634