基于深度学习的复杂背景下接触网绝缘子图像识别与提取研究
发布时间：2021-08-19 17:49
目前我国经济高速发展,铁路网覆盖面越来越广,高速铁路在各地建设,铁路现代化进程加快。在铁路相关配套设施中,接触网绝缘子是非常重要的一环。由于我国版图辽阔,南北、东西跨度大,环境复杂多样。接触网绝缘子长期暴露在各种各样恶劣的环境中,容易出现积累污秽过多、破损等各种问题,从而导致其绝缘性能下降,引发闪络等更加严重的问题。传统依靠人工巡检的检测方法已经不能满足现在的需要,因此对于接触网绝缘子实时检测的研究势在必行。本文首先研究了传统方法在接触网绝缘子识别与提取中的应用。传统方法在目标检测过程中需要依次经过图像预处理、图像分割、目标检测的步骤。本文针对图像分割这一环节,在传统方法需要花费大量时间和人员成本的问题上进行研究并做出了改进,提出了一种无参数的Graph-Based图像分割算法。结合本文提出的图像分割算法与传统的基于SURF特征匹配的检测算法,本文成功地识别了接触网绝缘子。但是传统方法存在对于复杂背景下接触网绝缘子识别困难的问题。针对传统方法对复杂背景下接触网绝缘子识别能力差的问题,本文着重研究了深度学习在接触网绝缘子识别与提取中的应用。本文提出了三种基于深度学习的绝缘子检测算法。（1...
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
池化示意图
兰州交通大学工程硕士学位论文7为卷积塔顶部的分类器来实现的[24]，后来发现使用支持向量机(SupportVectorMachine，SVM)代替softmax分类运算符可以提高分类的准确性[25]。此外，鉴于全连接层中的计算通常会收到其计算与数据比例的挑战，因此可以使用输入到简单线性分类器中的全局平均池化层作为替代方案。2.2.4激活函数激活函数(ActivationFunction)的作用是将上一层的神经元传递的输入信息进行处理，并传递给下一层的神经元。其主要目的是增强模型的泛化能力。在深度学习的发展过程中，人们是用过很多种激活函数，本文选取几个主要的代表性激活函数进行介绍。1)sigmoidSigmoid是早期非常常用的激活函数，其公式如式(2.4)，导函数如式(2.5)所示。其函数与导函数图像如图2.2所示。Sigmod函数能够把输入的连续值转换到0到1之间，但是当输入值较大和较小时，其导数都接近于0，变化幅度很小，不利于基于梯度的学习。1()1xxeσ=+(2.4)()211"()-11xxxeeσ=++(2.5)图2.2sigmoid导数与导函数图像。(a)为sigmoid导数图像；(b)为sigmoid导函数图像2)tanhtanh函数的公式如式(2.6)所示，导函数公式如式(2.7)所示。其函数与导函数图像如图2.3所示。tanh的函数与导函数图像和sigmoid的函数导函数图像相似，因此也具有相似的特性。tanh可以将连续的输入转化到-1到1的区间内，但是仍然存在梯度消失的情况。tanh()xxxxeexee=+(2.6)
基于深度学习的复杂背景下接触网绝缘子识别与提取研究82tanh"()1xxxxeexee=+(2.7)图2.3tanh导数与导函数图像。(a)为tanh导数图像；(b)为tanh导函数图像3)ReLUReLU的出现很好地解决了sigmoid和tanh等饱和激活函数的梯度消失问题。其函数公式如式(2.8)所示，导函数公式如式(2.9)所示。ReLU的导数和导函数图像如图2.4所示。除了解决度消失问题，由于ReLU中不存在幂运算，使其计算速度非常快。但是如果每个神经元输入过大，会使得其他神经元的输入失去价值，从而使其相应的参数永远不能被更新。0,0(),0xReLUxxx<=>=(2.8)0,0"()1,0xReLUxx<=>(2.9)图2.4ReLU导数与导函数图像。(a)为ReLU导数图像；(b)为ReLU导函数图像4)ReLU6ReLU6是目前常用的激活函数之一。其函数公式如式(2.10)所示，导函数公式如式
【参考文献】：
期刊论文
[1]基于Faster RCNN的绝缘子自爆缺陷识别[J]. 虢韬,杨恒,时磊,沈平,杨渊,刘晓伟,李德洋,陈天柱. 电瓷避雷器. 2019(03)
[2]基于纹理特征的多区域水平集图像分割方法[J]. 王慧斌,高国伟,徐立中,文成林. 电子学报. 2018(11)
[3]改进的SURF特征提取与匹配算法[J]. 张晓宇,何文思,段红燕,魏松涛. 机械设计与制造工程. 2018(11)
[4]一种改进超像素融合的图像分割方法[J]. 余洪山,张文豪,杨振耕,李松松,万琴,林安平. 湖南大学学报(自然科学版). 2018(10)
[5]基于YOLO算法的无人机航拍图片绝缘子缺失检测[J]. 杨罡,张娜,晋涛,王大伟. 科技资讯. 2018(24)
[6]基于U-net网络的航拍绝缘子检测[J]. 陈景文,周鑫,张蓉,张东. 陕西科技大学学报. 2018(04)
[7]一种基于多字典学习的图像分割模糊方法[J]. 李亚峰. 电子学报. 2018(07)
[8]改进的局部扩展拟合图像分割方法[J]. 宫照煊,覃文军,郭薇,赵大哲. 东北大学学报(自然科学版). 2018(04)
[9]基于深度卷积神经网络的输电线路可见光图像目标检测[J]. 周筑博,高佼,张巍,王晓婧,张静. 液晶与显示. 2018(04)
[10]基于红外成像技术的零值绝缘子检测[J]. 苑利,赵锐,谭孝元,苟先太. 高压电器. 2018(02)
本文编号：3351861
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
池化示意图
兰州交通大学工程硕士学位论文7为卷积塔顶部的分类器来实现的[24]，后来发现使用支持向量机(SupportVectorMachine，SVM)代替softmax分类运算符可以提高分类的准确性[25]。此外，鉴于全连接层中的计算通常会收到其计算与数据比例的挑战，因此可以使用输入到简单线性分类器中的全局平均池化层作为替代方案。2.2.4激活函数激活函数(ActivationFunction)的作用是将上一层的神经元传递的输入信息进行处理，并传递给下一层的神经元。其主要目的是增强模型的泛化能力。在深度学习的发展过程中，人们是用过很多种激活函数，本文选取几个主要的代表性激活函数进行介绍。1)sigmoidSigmoid是早期非常常用的激活函数，其公式如式(2.4)，导函数如式(2.5)所示。其函数与导函数图像如图2.2所示。Sigmod函数能够把输入的连续值转换到0到1之间，但是当输入值较大和较小时，其导数都接近于0，变化幅度很小，不利于基于梯度的学习。1()1xxeσ=+(2.4)()211"()-11xxxeeσ=++(2.5)图2.2sigmoid导数与导函数图像。(a)为sigmoid导数图像；(b)为sigmoid导函数图像2)tanhtanh函数的公式如式(2.6)所示，导函数公式如式(2.7)所示。其函数与导函数图像如图2.3所示。tanh的函数与导函数图像和sigmoid的函数导函数图像相似，因此也具有相似的特性。tanh可以将连续的输入转化到-1到1的区间内，但是仍然存在梯度消失的情况。tanh()xxxxeexee=+(2.6)
基于深度学习的复杂背景下接触网绝缘子识别与提取研究82tanh"()1xxxxeexee=+(2.7)图2.3tanh导数与导函数图像。(a)为tanh导数图像；(b)为tanh导函数图像3)ReLUReLU的出现很好地解决了sigmoid和tanh等饱和激活函数的梯度消失问题。其函数公式如式(2.8)所示，导函数公式如式(2.9)所示。ReLU的导数和导函数图像如图2.4所示。除了解决度消失问题，由于ReLU中不存在幂运算，使其计算速度非常快。但是如果每个神经元输入过大，会使得其他神经元的输入失去价值，从而使其相应的参数永远不能被更新。0,0(),0xReLUxxx<=>=(2.8)0,0"()1,0xReLUxx<=>(2.9)图2.4ReLU导数与导函数图像。(a)为ReLU导数图像；(b)为ReLU导函数图像4)ReLU6ReLU6是目前常用的激活函数之一。其函数公式如式(2.10)所示，导函数公式如式
【参考文献】：
期刊论文
[1]基于Faster RCNN的绝缘子自爆缺陷识别[J]. 虢韬,杨恒,时磊,沈平,杨渊,刘晓伟,李德洋,陈天柱. 电瓷避雷器. 2019(03)
[2]基于纹理特征的多区域水平集图像分割方法[J]. 王慧斌,高国伟,徐立中,文成林. 电子学报. 2018(11)
[3]改进的SURF特征提取与匹配算法[J]. 张晓宇,何文思,段红燕,魏松涛. 机械设计与制造工程. 2018(11)
[4]一种改进超像素融合的图像分割方法[J]. 余洪山,张文豪,杨振耕,李松松,万琴,林安平. 湖南大学学报(自然科学版). 2018(10)
[5]基于YOLO算法的无人机航拍图片绝缘子缺失检测[J]. 杨罡,张娜,晋涛,王大伟. 科技资讯. 2018(24)
[6]基于U-net网络的航拍绝缘子检测[J]. 陈景文,周鑫,张蓉,张东. 陕西科技大学学报. 2018(04)
[7]一种基于多字典学习的图像分割模糊方法[J]. 李亚峰. 电子学报. 2018(07)
[8]改进的局部扩展拟合图像分割方法[J]. 宫照煊,覃文军,郭薇,赵大哲. 东北大学学报(自然科学版). 2018(04)
[9]基于深度卷积神经网络的输电线路可见光图像目标检测[J]. 周筑博,高佼,张巍,王晓婧,张静. 液晶与显示. 2018(04)
[10]基于红外成像技术的零值绝缘子检测[J]. 苑利,赵锐,谭孝元,苟先太. 高压电器. 2018(02)
本文编号：3351861
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3351861.html
