基于深度学习的输电通道危物辨识关键技术研究

发布时间：2023-02-21 19:38

　　输电通道环境状况日渐复杂,外力破坏事件发生的概率不断提高,严重威胁着电网的供电可靠性。目前巡线工作主要通过人工巡线、无人机和实时监控等方式进行。其中人工巡线效率低下且费时费力,无人机工作距离有限且巡航能力不足,难以大范围推广到电网系统之中。与人工巡线和无人机相比,通过监控设备对输电线路通道环境进行监控,能够长时间大范围监控输电通道环境,一定程度上缓解了巡视工作难度。实时监控图像需要人员进行辨识危物,但人的主观判断却无法保证效率和准确率。而且随着监控覆盖率的提升,海量图像的处理反而进一步加大了运检工作量。显然监控系统的使用未能实现真正的输电通道智能化运检,无法从根本上解决外力破坏事件处理的困难。与此同时,深度学习在机器视觉、语音识别、自然语言处理、机器翻译、数据挖掘、自动驾驶等方面取得了瞩目发展,为输电线路通道危险物体检测提供了新的思路和方法。本文主要研究替代人工辨识的图像检测方法,帮助运检人员及时发现输电通道范围内危险异物入侵,提升输电通道运检工作的效率,保证电网运行环境安全稳定。在深度学习卷积神经网络和目标检测技术的基础上,本文提出了基于深度学习的输电通道危物辨识技术,通过对图像预处...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 深度学习
        1.2.2 输电通道危物辨识
    1.3 本文章节安排
第二章 深度学习目标检测原理
    2.1 人工神经网络
        2.1.1 神经元
        2.1.2 人工神经网络
        2.1.3 反向传播
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
    2.3 目标检测模型选取
    2.4 本章小结
第三章 样本集构建
    3.1 输电通道场景特征
    3.2 数据增强
        3.2.1 数据增强原理
        3.2.2 数据增强方法
    3.3 样本集构建
        3.3.1 数据标注
        3.3.2 训练样本增强
    3.4 实验结果与分析
    3.5 本章小结
第四章 YOLOv3边界框尺寸选取
    4.1 YOLOv3简介
        4.1.1 YOLOv3检测模型结构
        4.1.2 YOLOv3目标检测流程
    4.2 边界框尺寸选取
        4.2.1 边界框定义
        4.2.2 标注框聚类
    4.3 实验结果与分析
        4.3.1 标注框聚类实验
        4.3.2 图像检测实验
    4.4 本章小结
第五章 YOLOv3非极大值抑制改进
    5.1 非极大值抑制
        5.1.1 非极大值抑制原理
        5.1.2 非极大值抑制缺陷
    5.2 非极大值抑制改进
        5.2.1 GIoU
        5.2.2 Soft-NMS
        5.2.3 NMS改进方案
    5.3 实验结果与分析
        5.3.1 改进NMS算法
        5.3.2 图像检测实验
    5.4 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
学位论文评阅及答辩情况表



本文编号：3747892