基于四通道Faster R-CNN的散断股检测算法
发布时间：2021-10-21 18:53
在现代生产生活中,电力已成为不可或缺的组成部分。电能从发电厂生产出来到输送至终端用户设备上需要跨越漫长的距离。输电系统在这一过程中起着重要的作用。线路缺陷检测是保障输电系统安全运行的关键环节,它的检测效果直接决定了巡检效果。但是线路缺陷的图像检测算法一直依赖于传统图像处理方法,这些方法往往需要大量的前提假设,在繁复的现实工况下缺乏普适性和有效性。本文将深度学习方法引入散断股检测算法中,为散断股的检测提供了全新的思路。本文首先介绍研究的背景和意义,随后介绍几种常用的传统散断股检测算法和Faster R-CNN的部分理论知识,然后提出两种基于深度学习的散断股检测方法,分别阐述两种算法的背景、理论和实验,它们克服了传统图像算法普适性不好的缺点,也改善了通用深度学习方法在散断股检测问题上效果不理想的问题。实验数据证明了提出的算法的可行性和有效性。本文的主要工作如下:1、受注意力机制的启发,提出一种基于四通道Faster R-CNN的散断股检测算法。算法在原残差网络三色输入通道的基础上增加一个注意力通道。注意力通道中的数据可以指导网络提高注意力区域的识别置信度,提高检出数,改善模型检测效果。实验...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
散断股目标（红框内为目标）
第二章散断股检测和FasterR-CNN10义信息就越丰富。图2.1CNN卷积核特征可视化图2.1[21]是在ImageNet数据集上训练得到的CNN卷积核可视化结果。可以看到，低层语义一般是简单的几何图样，中层语义是复杂一些的几何形状，而高层语义已经可以看出是某些目标的轮廓或者较复杂的几何图案了。这些卷积核在扫过图像时，会对感受野内符合卷积核要求的区域产生较强的响应并反映在输出数据上。下一卷积层以上一层的输出响应作为输入，对经过上一个卷积层响应的图像做进一步处理，并输出合适的特征向量。最后由一个简单的分类器（例如全连接层）输出图片所属每个类别的概率。我们也可以从稀疏交互（SparseInteraction）的角度来看卷积神经网络。所谓稀疏交互，即卷积核尺度远小于输入数据的维度，这样每个输出神经元仅与前一层特定局部区域内的神经元存在连接。稀疏交互使得卷积神经网络的参数数量是逐级递减的，极大缓解了过大的参数数量造成的过拟合。稀疏交互在图像处理层面上的意义则是：通常图像等现实世界的数据都具有某种局部特征结构，卷积网络可以先学习局部特征，再将局部特征组合起来形成更复杂和抽象的特征检测器，稀疏交互也是卷积神经网络可以称为金字塔状的特征提取器的基矗尽管经过多年的发展，硬件算力和内存容量都有了很大的提升，但仍然无法满足深度学习的要求。池化层也叫下采样层，也具有稀疏交互的特性，旨在减少网络冗余参低层语义中层语义高层语义分类器
安徽大学硕士学位论文11数，降低网络对内存容量和计算量的需求，同时尽量保留有用的信息，同时也能缓解过拟合。现阶段常见池化层所采用的方法是最大值池化（MaxPooling）和平均池化（MeanPooling）。最大值池化指以掩膜内的最大值作为输出值，该方法能够较大程度上保留图像中的纹理信息；平均池化指对掩膜内的像素值求平均值，以平均值作为输出值，该方法能够一定程度上保留背景信息。以2×2掩膜为例，它们的池化结果如图2.2所示。图2.2池化示例2.2.2激活函数为了保证网络的非线性表达能力，人们向神经网络中引入了非线性激活函数。最原始的激活函数是阶跃函数（StepFunction），但因它的导数特性与网络训练的要求不相适应，很快就被Sigmoid、Tanh和Relu函数代替。现在应用较多的是Relu，它的计算
【参考文献】：
期刊论文
[1]基于无人机的输电线路巡检技术研究[J]. 张亮,杨善婷. 山西建筑. 2018(34)
[2]分析旋翼无人机应用于高压输电线路的巡检[J]. 吴宇. 通讯世界. 2018(11)
[3]面向航拍图像的农村配电网导线断股检测[J]. 李泊,陈诚. 中国电力. 2019(01)
[4]基于深度学习的输电线路外破图像识别技术[J]. 张骥,余娟,汪金礼,谭守标. 计算机系统应用. 2018(08)
[5]基于无人机图像的配网线断股缺陷实时检测[J]. 熊彪,胡冉. 技术与市场. 2018(02)
[6]基于图像处理技术的飞机巡线导线断股缺陷检测方法[J]. 齐国顺,尚方,韩冰,王孝余. 黑龙江电力. 2017(06)
[7]基于图像识别的无人机输电线路断股检测系统设计[J]. 高晓东,郑连勇,王蔚,曹飞. 现代电子技术. 2017(20)
[8]基于无人机图像的输电线断股与异物缺陷检测方法[J]. 王万国,张晶晶,韩军,刘俍,朱铭武. 计算机应用. 2015(08)
硕士论文
[1]架空输电线图像的断股诊断方法研究[D]. 杨炼.武汉科技大学 2013
[2]输电线路导线断股的图像检测方法[D]. 李安.华北电力大学 2013
本文编号：3449540
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
散断股目标（红框内为目标）
第二章散断股检测和FasterR-CNN10义信息就越丰富。图2.1CNN卷积核特征可视化图2.1[21]是在ImageNet数据集上训练得到的CNN卷积核可视化结果。可以看到，低层语义一般是简单的几何图样，中层语义是复杂一些的几何形状，而高层语义已经可以看出是某些目标的轮廓或者较复杂的几何图案了。这些卷积核在扫过图像时，会对感受野内符合卷积核要求的区域产生较强的响应并反映在输出数据上。下一卷积层以上一层的输出响应作为输入，对经过上一个卷积层响应的图像做进一步处理，并输出合适的特征向量。最后由一个简单的分类器（例如全连接层）输出图片所属每个类别的概率。我们也可以从稀疏交互（SparseInteraction）的角度来看卷积神经网络。所谓稀疏交互，即卷积核尺度远小于输入数据的维度，这样每个输出神经元仅与前一层特定局部区域内的神经元存在连接。稀疏交互使得卷积神经网络的参数数量是逐级递减的，极大缓解了过大的参数数量造成的过拟合。稀疏交互在图像处理层面上的意义则是：通常图像等现实世界的数据都具有某种局部特征结构，卷积网络可以先学习局部特征，再将局部特征组合起来形成更复杂和抽象的特征检测器，稀疏交互也是卷积神经网络可以称为金字塔状的特征提取器的基矗尽管经过多年的发展，硬件算力和内存容量都有了很大的提升，但仍然无法满足深度学习的要求。池化层也叫下采样层，也具有稀疏交互的特性，旨在减少网络冗余参低层语义中层语义高层语义分类器
安徽大学硕士学位论文11数，降低网络对内存容量和计算量的需求，同时尽量保留有用的信息，同时也能缓解过拟合。现阶段常见池化层所采用的方法是最大值池化（MaxPooling）和平均池化（MeanPooling）。最大值池化指以掩膜内的最大值作为输出值，该方法能够较大程度上保留图像中的纹理信息；平均池化指对掩膜内的像素值求平均值，以平均值作为输出值，该方法能够一定程度上保留背景信息。以2×2掩膜为例，它们的池化结果如图2.2所示。图2.2池化示例2.2.2激活函数为了保证网络的非线性表达能力，人们向神经网络中引入了非线性激活函数。最原始的激活函数是阶跃函数（StepFunction），但因它的导数特性与网络训练的要求不相适应，很快就被Sigmoid、Tanh和Relu函数代替。现在应用较多的是Relu，它的计算
【参考文献】：
期刊论文
[1]基于无人机的输电线路巡检技术研究[J]. 张亮,杨善婷. 山西建筑. 2018(34)
[2]分析旋翼无人机应用于高压输电线路的巡检[J]. 吴宇. 通讯世界. 2018(11)
[3]面向航拍图像的农村配电网导线断股检测[J]. 李泊,陈诚. 中国电力. 2019(01)
[4]基于深度学习的输电线路外破图像识别技术[J]. 张骥,余娟,汪金礼,谭守标. 计算机系统应用. 2018(08)
[5]基于无人机图像的配网线断股缺陷实时检测[J]. 熊彪,胡冉. 技术与市场. 2018(02)
[6]基于图像处理技术的飞机巡线导线断股缺陷检测方法[J]. 齐国顺,尚方,韩冰,王孝余. 黑龙江电力. 2017(06)
[7]基于图像识别的无人机输电线路断股检测系统设计[J]. 高晓东,郑连勇,王蔚,曹飞. 现代电子技术. 2017(20)
[8]基于无人机图像的输电线断股与异物缺陷检测方法[J]. 王万国,张晶晶,韩军,刘俍,朱铭武. 计算机应用. 2015(08)
硕士论文
[1]架空输电线图像的断股诊断方法研究[D]. 杨炼.武汉科技大学 2013
[2]输电线路导线断股的图像检测方法[D]. 李安.华北电力大学 2013
本文编号：3449540
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3449540.html
