基于卷积神经网络的航拍绝缘子识别定位研究
发布时间：2021-04-11 17:19
目前高电压输电线路的定期巡检主要以人工巡检为主,要求工作人员巡线目测检查甚至需要攀登铁塔进行检查,效率低且不安全。伴随着数字图像技术与无人机技术的迅速发展,电网公司提出了基于无人机的智能电力巡检,其中基于航拍图像的绝缘子识别定位是其重要组成部分。由于无人机采集的图像数据背景复杂且受到光照等多种因素影响,传统的绝缘子识别定位方法精度不高且速度较慢。针对这些问题,本论文进行了基于卷积神经网络的航拍绝缘子识别定位研究,构建一个航拍绝缘子的识别定位模型并与传统算法进行了比较,实验结果表明基于卷积神经网络的模型获得的准确率明显高于传统算法。本文的主要研究工作有:1.构建了一个航拍绝缘子图像数据集,提供了绝缘子图像研究的基础。2.基于传统算法的绝缘子图像识别分类实验。在图像预处理阶段采用中值滤波和边缘增强,然后提取HOG特征和Haar特征,最后使用SVM分类器和AdaBoost分类器实现绝缘子图像识别分类。3.研究了卷积神经网络的结构及原理,并对基于卷积神经网络搭建的目标检测网络进行详细的研究,分析了ResNet网络中的残差模块、Fast RCNN中的RPN网络、FPN模块。基于对卷积神经网络的结...
【文章来源】：上海电机学院上海市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
M-P模型
上海电机学院硕士学位论文-8-优字符串的形式表示。图2-1图像标注Fig.2-1ImageAnnotation图2-2图像标注文件Fig.2-2ImageAnnotationFiles标注文件JSON的文件开头展示了主要信息：{"label":"insulator","points":[[115.48387096774194,421.93548387096774],[130.96774193548387,
上海电机学院硕士学位论文-8-优字符串的形式表示。图2-1图像标注Fig.2-1ImageAnnotation图2-2图像标注文件Fig.2-2ImageAnnotationFiles标注文件JSON的文件开头展示了主要信息：{"label":"insulator","points":[[115.48387096774194,421.93548387096774],[130.96774193548387,
【参考文献】：
期刊论文
[1]中国公路物流运价指数预测研究——基于ARIMA-Adam-LSTM模型的分析[J]. 彭建良,丁怡越,左晓琴. 价格理论与实践. 2019(06)
[2]基于涡旋滤波的图像边缘增强研究进展[J]. 顾忠政,殷达,聂守平,冯少彤,邢芳俭,马骏,袁操今. 红外与激光工程. 2019(06)
[3]基于卷积神经网络和密度分布特征的人数统计方法[J]. 郭继昌,李翔鹏. 电子科技大学学报. 2018(06)
[4]边缘增强深层网络的图像超分辨率重建[J]. 谢珍珠,吴从中,詹曙. 中国图象图形学报. 2018 (01)
[5]将人工神经网络和Adaboost相结合提高绝缘子图像识别的准确率[J]. 孙为民,王晖,高涛,夏瑞瑞,张力. 电子世界. 2017(24)
[6]航拍绝缘子图像的检测与识别方法研究[J]. 严凯,熊英. 贵州电力技术. 2015(10)
[7]大型无人机在复杂环境下电力巡检研究[J]. 吴冰莹,戴礼豪,林朝辉. 科技创新导报. 2014(28)
[8]基于无线传感器网的个性化区域推荐算法研究[J]. 徐鼎基. 电脑知识与技术. 2010(12)
[9]我国“西电东送”的发展历史、规划和实施[J]. 周小谦. 电网技术. 2003(05)
博士论文
[1]卷积神经网络和迁移学习在癌症影像分析中的研究[D]. 余绍德.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]深度学习下细粒度级别图像的视觉分析研究[D]. 魏秀参.南京大学 2018
[3]基于卷积神经网络的目标检测若干问题研究[D]. 李旭冬.电子科技大学 2017
[4]基于自动分治的智能优化方法及其应用研究[D]. 杨鹏.中国科学技术大学 2017
[5]基于光谱分析与图像处理的模式识别研究[D]. 王松静.浙江大学 2012
[6]理解制度的演化[D]. 王蓉.辽宁大学 2008
[7]基于统计学习理论的支持向量机算法研究[D]. 唐发明.华中科技大学 2005
[8]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]基于视频图像的人数统计系统[D]. 罗威.兰州理工大学 2019
[2]深度学习中优化算法的研究与改进[D]. 张慧.北京邮电大学 2018
[3]面向回归测试的测试数据扩增方法研究[D]. 温春琰.西安邮电大学 2017
[4]随机梯度下降和对偶坐标下降算法的研究与应用[D]. 邓卫钊.燕山大学 2016
[5]多GPU环境下的卷积神经网络并行算法[D]. 王裕民.中国科学技术大学 2016
[6]基于GPS导航无人机巡线指挥系统设计[D]. 邓荣军.武汉科技大学 2015
[7]基于RGB-D物体识别的深度学习算法研究[D]. 卢良锋.宁波大学 2015
[8]南方电网电力巡检模式市场预测及H公司开发策略研究[D]. 秦凡.北京工业大学 2014
[9]几种改进的中值滤波算法研究[D]. 牛秀琴.四川师范大学 2012
[10]直升机巡检500千伏阳淮输电线路可行性研究[D]. 余成安.南京理工大学 2002
本文编号：3131649
【文章来源】：上海电机学院上海市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
M-P模型
上海电机学院硕士学位论文-8-优字符串的形式表示。图2-1图像标注Fig.2-1ImageAnnotation图2-2图像标注文件Fig.2-2ImageAnnotationFiles标注文件JSON的文件开头展示了主要信息：{"label":"insulator","points":[[115.48387096774194,421.93548387096774],[130.96774193548387,
上海电机学院硕士学位论文-8-优字符串的形式表示。图2-1图像标注Fig.2-1ImageAnnotation图2-2图像标注文件Fig.2-2ImageAnnotationFiles标注文件JSON的文件开头展示了主要信息：{"label":"insulator","points":[[115.48387096774194,421.93548387096774],[130.96774193548387,
【参考文献】：
期刊论文
[1]中国公路物流运价指数预测研究——基于ARIMA-Adam-LSTM模型的分析[J]. 彭建良,丁怡越,左晓琴. 价格理论与实践. 2019(06)
[2]基于涡旋滤波的图像边缘增强研究进展[J]. 顾忠政,殷达,聂守平,冯少彤,邢芳俭,马骏,袁操今. 红外与激光工程. 2019(06)
[3]基于卷积神经网络和密度分布特征的人数统计方法[J]. 郭继昌,李翔鹏. 电子科技大学学报. 2018(06)
[4]边缘增强深层网络的图像超分辨率重建[J]. 谢珍珠,吴从中,詹曙. 中国图象图形学报. 2018 (01)
[5]将人工神经网络和Adaboost相结合提高绝缘子图像识别的准确率[J]. 孙为民,王晖,高涛,夏瑞瑞,张力. 电子世界. 2017(24)
[6]航拍绝缘子图像的检测与识别方法研究[J]. 严凯,熊英. 贵州电力技术. 2015(10)
[7]大型无人机在复杂环境下电力巡检研究[J]. 吴冰莹,戴礼豪,林朝辉. 科技创新导报. 2014(28)
[8]基于无线传感器网的个性化区域推荐算法研究[J]. 徐鼎基. 电脑知识与技术. 2010(12)
[9]我国“西电东送”的发展历史、规划和实施[J]. 周小谦. 电网技术. 2003(05)
博士论文
[1]卷积神经网络和迁移学习在癌症影像分析中的研究[D]. 余绍德.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]深度学习下细粒度级别图像的视觉分析研究[D]. 魏秀参.南京大学 2018
[3]基于卷积神经网络的目标检测若干问题研究[D]. 李旭冬.电子科技大学 2017
[4]基于自动分治的智能优化方法及其应用研究[D]. 杨鹏.中国科学技术大学 2017
[5]基于光谱分析与图像处理的模式识别研究[D]. 王松静.浙江大学 2012
[6]理解制度的演化[D]. 王蓉.辽宁大学 2008
[7]基于统计学习理论的支持向量机算法研究[D]. 唐发明.华中科技大学 2005
[8]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]基于视频图像的人数统计系统[D]. 罗威.兰州理工大学 2019
[2]深度学习中优化算法的研究与改进[D]. 张慧.北京邮电大学 2018
[3]面向回归测试的测试数据扩增方法研究[D]. 温春琰.西安邮电大学 2017
[4]随机梯度下降和对偶坐标下降算法的研究与应用[D]. 邓卫钊.燕山大学 2016
[5]多GPU环境下的卷积神经网络并行算法[D]. 王裕民.中国科学技术大学 2016
[6]基于GPS导航无人机巡线指挥系统设计[D]. 邓荣军.武汉科技大学 2015
[7]基于RGB-D物体识别的深度学习算法研究[D]. 卢良锋.宁波大学 2015
[8]南方电网电力巡检模式市场预测及H公司开发策略研究[D]. 秦凡.北京工业大学 2014
[9]几种改进的中值滤波算法研究[D]. 牛秀琴.四川师范大学 2012
[10]直升机巡检500千伏阳淮输电线路可行性研究[D]. 余成安.南京理工大学 2002
本文编号：3131649
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3131649.html
