輸電線異物檢測(cè)作為電網(wǎng)智能巡檢系統(tǒng)中的重要環(huán)節(jié),對(duì)電力系統(tǒng)安全可靠運(yùn)行有著重要意義。目前高壓架空輸電線多為裸導(dǎo)線,通過(guò)空氣絕緣。因此,風(fēng)箏、氣球和大棚薄膜等懸掛異物極易引發(fā)相地或相間短路,造成區(qū)域大面積停電,進(jìn)而導(dǎo)致停運(yùn)事故。本文基于深度學(xué)習(xí)算法對(duì)電力巡檢圖像中的異物檢測(cè)方法進(jìn)行研究,主要貢獻(xiàn)如下:1.目前國(guó)際上還沒(méi)有公開(kāi)用于研究的輸電線路巡檢圖像數(shù)據(jù)集,本文分析了常見(jiàn)的輸電線異物類型及特點(diǎn),構(gòu)建了巡檢圖像數(shù)據(jù)集。為了便于算法的訓(xùn)練和測(cè)試,對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注和劃分。采用翻轉(zhuǎn)、亮度調(diào)整等數(shù)據(jù)增強(qiáng)方法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充。針對(duì)不同算法轉(zhuǎn)化圖像數(shù)據(jù)格式,以加快數(shù)據(jù)讀取速度。最后,對(duì)巡檢圖像中異物特征提取以及目前相關(guān)研究的局限性等難點(diǎn)進(jìn)行總結(jié)。2.考慮到漏檢異物對(duì)電力系統(tǒng)的危害性,本文定義分類算法的100%查全率模式,在此基礎(chǔ)上對(duì)InceptionV3-retrain算法在100%查全率下假陽(yáng)性率較高的問(wèn)題進(jìn)行改進(jìn)。首先,對(duì)不同數(shù)據(jù)增強(qiáng)方式的有效性進(jìn)行研究,驗(yàn)證采用水平翻轉(zhuǎn)的數(shù)據(jù)增強(qiáng)策略使算法假陽(yáng)性率下降了6.3%。其次,改進(jìn)訓(xùn)練方式,結(jié)合遷移學(xué)習(xí)與微調(diào)訓(xùn)練的優(yōu)點(diǎn),降低網(wǎng)絡(luò)過(guò)擬合風(fēng)險(xiǎn),使假陽(yáng)性率下...

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.2最大池×

湖北工業(yè)大學(xué)碩士學(xué)位論文9度模型”是手段，“特征學(xué)習(xí)”是目的。模型結(jié)構(gòu)的深度是深度學(xué)習(xí)的特點(diǎn)，特征學(xué)習(xí)的重要性得到凸顯，特征變換通過(guò)逐層傳遞，在一個(gè)新特征空間將樣本在原空間的特征進(jìn)行表示，從而實(shí)現(xiàn)分類或預(yù)測(cè)能力。利用大數(shù)據(jù)來(lái)學(xué)習(xí)特征的深度學(xué)習(xí)模型，相比于人工規(guī)則構(gòu)造特征的方法，其....

圖1.2最大池化和均值池化

湖北工業(yè)大學(xué)碩士學(xué)位論文9度模型”是手段，“特征學(xué)習(xí)”是目的。模型結(jié)構(gòu)的深度是深度學(xué)習(xí)的特點(diǎn)，特征學(xué)習(xí)的重要性得到凸顯，特征變換通過(guò)逐層傳遞，在一個(gè)新特征空間將樣本在原空間的特征進(jìn)行表示，從而實(shí)現(xiàn)分類或預(yù)測(cè)能力。利用大數(shù)據(jù)來(lái)學(xué)習(xí)特征的深度學(xué)習(xí)模型，相比于人工規(guī)則構(gòu)造特征的方法，其....

圖1.3激活函數(shù)

湖北工業(yè)大學(xué)碩士學(xué)位論文10如果采用最大池化模式，則保留滑動(dòng)窗口覆蓋區(qū)域內(nèi)的最大值，并作為本層的輸出，其他數(shù)據(jù)去除。如果采用均值池化模式，則計(jì)算滑動(dòng)窗口覆蓋區(qū)域內(nèi)的平均值。（3）激活函數(shù)激活函數(shù)的意義是為網(wǎng)絡(luò)引入了非線性的特性。如果沒(méi)有激活函數(shù)，網(wǎng)絡(luò)的每一層傳遞都等同于矩陣相乘，....

圖1.4兩種損失函數(shù)的曲線圖

湖北工業(yè)大學(xué)碩士學(xué)位論文12其中代表目標(biāo)值與估計(jì)值之差。圖1.4兩種損失函數(shù)的曲線圖（b）交叉熵?fù)p失函數(shù)交叉熵?fù)p失函數(shù)是目前卷積神經(jīng)網(wǎng)絡(luò)中最常用的分類目標(biāo)損失函數(shù)。對(duì)于如邏輯回歸的這類二分類模型，設(shè)定真實(shí)樣本的標(biāo)簽為[0,1]，從而表示負(fù)類和正類，其結(jié)果是輸出的概率值，預(yù)測(cè)為正類....

本文編號(hào)：4014353