基于生成对抗网络的电力设备图像扩充模型及算法研究
发布时间：2021-02-12 15:29
根据国家人工智能的总体规划,智能电网大数据平台的建设正在快速推进,其中核心部分就包括利用深度学习实现电力设备缺陷智能检测。由于各种电力设备所固有的特殊性质,专业技术人员难以长时间对电力设备进行现场勘察和检测,难以任意对电力设备进行图像数据的采集,因此目前现有的电力设备图像数据集难以满足电力设备缺陷智能检测模型的训练,使得电力设备缺陷智能检测科研工作步履维艰。本文从电力设备数据集中的X光耐张线夹图像数据集入手,开展基于生成对抗网络（Generative Adversarial Networks,GAN）的图像数据集扩充模型的研究工作,并提出基于生成对抗网络算法的电力设备图像扩充模型,可生成用于扩展电力设备缺陷智能检测模型图像数据集的图像。主要研究内容如下:（1）对原始的X光耐张线夹图像数据集进行预处理,包括数据集标准化和数据集增强,以便处理后的图像能够满足后续模型的训练。（2）构建GAN网络模型进行X光耐张线夹图像数据集的生成。根据介绍的两种GAN算法设计并实现GAN网络结构,搭建模型运行所需的实验环境,利用X光耐张线夹图像数据集对这两个GAN模型进行训练,最终得到的实验结果表明DCGA...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
神经网络发展历程
电子科技大学硕士学位论文8第二章神经网络及GAN的相关技术2.1神经网络的发展历史神经网络的发展具有悠久的历史，深度学习也是基于神经网络而发展起来的。而在这个发展历程中，神经网络的发展真是一波三折。现在，经历过两次潮起潮落，神经网络迎来了它的第三次热潮。图2-1展示了其发展历史。通过图2-1还可以看到，人们对神经网络的研究最早是在20世纪40年代，并且第一次神经网络热潮持续到了20世纪60年代末。图2-1神经网络发展历程美国数学家WalterPitts和神经生理学家WarrenMcCulloch于1943年首次提出了一种形式神经元模型[29]。这种形式神经元模型被称为M-P模型，是通过电阻等元件构建的物理网络得以实现的。Roseblatt于1958年提出了感知机，对感知机模型进行训练以后，计算机对于神经元中的连接权重可以确定。它的特点是特征是全部由人工预先进行输入的，并且是基于权重进行模式识别的。就这样，神经网络的研究迎来了第一次热潮[30]。第一代神经网络模型如图2-2所示。图2-2第一代神经网络模型
俚南咝圆豢煞治侍猓?梢酝ü?嗖愀兄???薪饩觯???人们当时还不知道如何进行分层训练。物理学家JohnHopfield于20世纪80年代提出了Hopfiled模型[32]，这是一种新的神经网络模型，它是一种反馈网络。Rumelhart等人提出了误差反向传播算法（BackPropagation，BP）[33]，该算法被成功的用于训练多层感知机，解决了线性不可分问题。同一时期，福岛等人提出了神经认知机，神经认知机模拟了生物的视觉传导通路[34]。LeCun等人将类似于生物初级视皮层的卷积层引入到神经网络中，并提出了卷积神经网络[35]。第二代神经网络模型如图2-3所示。图2-3第二代神经网络模型图2-3中所示的第二代神经网络模型包含输入层、输出层与隐藏层，其中橙色表示输入层，紫色表示隐藏层，绿色表示输出层。与第一代神经网络相比，第二代神经网络虽然能够解决更多的问题，但是仍然存在一些问题。训练的时间过长，减少隐藏层又会使得准确率降低。只适用于监督学习，对于大量的非监督的问题并不适用。在训练的过程中极有可能陷入局部最优解等，而且由于当时支持向量机（SupportVectorMachine，SVM）等方法备受瞩目，使得神经网络的研究再次陷入了低潮。尽管神经网络又一次陷入了低潮，但是Hinton和Bengio等人并未停止对神经网络的研究，继续为神经网络的发展打下夯实的基矗Hinton于2006年在《科学》杂志上第一次提出了深度学习和深度网络的理论[36]，引起了众多研究者对深度学习的注意。得益于他们的研究成果，从2011年起，在语音识别和图像识别等研究领域，神经网络占据了极大的优势，而且由于卷积神经网络的结构非常适用于图
【参考文献】：
期刊论文
[1]生成对抗网络在医学图像处理中的应用[J]. 陈锟,乔沁,宋志坚. 生命科学仪器. 2018(Z1)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]无损检测技术在电力系统中的应用[J]. 苑美实,骆令海. 科学技术创新. 2018(21)
[4]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[5]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[6]电力设备无损检测技术研究[J]. 孙言蓓. 中国高新技术企业. 2015(27)
[7]电网设备无损检测新技术应用[J]. 王进,杨迎春,吴章勤,郑欣,昌秀明. 云南电力技术. 2013(05)
硕士论文
[1]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[2]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
本文编号：3031071
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
神经网络发展历程
电子科技大学硕士学位论文8第二章神经网络及GAN的相关技术2.1神经网络的发展历史神经网络的发展具有悠久的历史，深度学习也是基于神经网络而发展起来的。而在这个发展历程中，神经网络的发展真是一波三折。现在，经历过两次潮起潮落，神经网络迎来了它的第三次热潮。图2-1展示了其发展历史。通过图2-1还可以看到，人们对神经网络的研究最早是在20世纪40年代，并且第一次神经网络热潮持续到了20世纪60年代末。图2-1神经网络发展历程美国数学家WalterPitts和神经生理学家WarrenMcCulloch于1943年首次提出了一种形式神经元模型[29]。这种形式神经元模型被称为M-P模型，是通过电阻等元件构建的物理网络得以实现的。Roseblatt于1958年提出了感知机，对感知机模型进行训练以后，计算机对于神经元中的连接权重可以确定。它的特点是特征是全部由人工预先进行输入的，并且是基于权重进行模式识别的。就这样，神经网络的研究迎来了第一次热潮[30]。第一代神经网络模型如图2-2所示。图2-2第一代神经网络模型
俚南咝圆豢煞治侍猓?梢酝ü?嗖愀兄???薪饩觯???人们当时还不知道如何进行分层训练。物理学家JohnHopfield于20世纪80年代提出了Hopfiled模型[32]，这是一种新的神经网络模型，它是一种反馈网络。Rumelhart等人提出了误差反向传播算法（BackPropagation，BP）[33]，该算法被成功的用于训练多层感知机，解决了线性不可分问题。同一时期，福岛等人提出了神经认知机，神经认知机模拟了生物的视觉传导通路[34]。LeCun等人将类似于生物初级视皮层的卷积层引入到神经网络中，并提出了卷积神经网络[35]。第二代神经网络模型如图2-3所示。图2-3第二代神经网络模型图2-3中所示的第二代神经网络模型包含输入层、输出层与隐藏层，其中橙色表示输入层，紫色表示隐藏层，绿色表示输出层。与第一代神经网络相比，第二代神经网络虽然能够解决更多的问题，但是仍然存在一些问题。训练的时间过长，减少隐藏层又会使得准确率降低。只适用于监督学习，对于大量的非监督的问题并不适用。在训练的过程中极有可能陷入局部最优解等，而且由于当时支持向量机（SupportVectorMachine，SVM）等方法备受瞩目，使得神经网络的研究再次陷入了低潮。尽管神经网络又一次陷入了低潮，但是Hinton和Bengio等人并未停止对神经网络的研究，继续为神经网络的发展打下夯实的基矗Hinton于2006年在《科学》杂志上第一次提出了深度学习和深度网络的理论[36]，引起了众多研究者对深度学习的注意。得益于他们的研究成果，从2011年起，在语音识别和图像识别等研究领域，神经网络占据了极大的优势，而且由于卷积神经网络的结构非常适用于图
【参考文献】：
期刊论文
[1]生成对抗网络在医学图像处理中的应用[J]. 陈锟,乔沁,宋志坚. 生命科学仪器. 2018(Z1)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]无损检测技术在电力系统中的应用[J]. 苑美实,骆令海. 科学技术创新. 2018(21)
[4]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[5]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[6]电力设备无损检测技术研究[J]. 孙言蓓. 中国高新技术企业. 2015(27)
[7]电网设备无损检测新技术应用[J]. 王进,杨迎春,吴章勤,郑欣,昌秀明. 云南电力技术. 2013(05)
硕士论文
[1]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[2]基于深度学习的图像语义分割研究[D]. 肖旭.南昌航空大学 2017
本文编号：3031071
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3031071.html
