基于深度卷积神经网络的变电站设备识别

发布时间：2022-02-26 17:52

　　变电站设备的实时准确识别是实现无人值守变电站自动监视、机器人巡检等自动化、智能化生产的关键。由于变电站内设备类型、型号繁多,设备颜色近似,基于颜色空间的阈值分割法很难胜任不同设备的同时检测。另一方面,由于特征提取算子的非实时性,传统模式识别方法也很难直接应用于变电站设备的实时检测上。卷积神经网络（CNN）能够自动提取低层图像特征和高层语义特征,且在GPU计算设备上具有实时性。鉴于此,本文借鉴Faster R-CNN、YOLOv2,提出一种基于CNN的变电站设备快速识别方法,并设计了对应的识别网络模型,该模型由卷积神经网络和对输出特征图的进一步处理构成。该识别网络能够用卷积特征图直接预测变电站设备的目标边界和类型。在多种光照条件下采集了变电站设备图像和场景图像,构建了变电站设备图像数据集和场景数据集。为给识别网络筛选基础网络结构,以模型大小、特征统计可分性、分类性能和计算速度为判据,分析了几种典型分类CNN网络在变电站图像处理上的性能和适用性。受这几种典型网络各自优点的启发,设计了一种面向通道的分组卷积模块和对应分类网络CWGCNet。为进一步提高分类CNN网络图像特征提取能力,提出用样... 

【文章来源】：沈阳农业大学辽宁省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究进展
        1.2.1 变电站设备识别的国内外研究进展
        1.2.2 深度卷积神经网络的国内外研究进展
    1.3 本文主要内容及论文章节结构
第二章 变电站设备图像采集及预处理
    2.1 变电站设备图像采集
    2.2 图像噪声及预处理
    2.3 图像数据增广及预处理
    2.4 本章小结
第三章 基于CNN的变电站主要设备目标识别网络设计
    3.1 卷积神经网络基本理论
        3.1.1 卷积神经网络
        3.1.2 卷积神经网络的训练算法
    3.2 变电站主要设备目标识别网络设计
        3.2.1 架构设计
        3.2.2 目标边界框的预测
        3.2.3 目标类型的预测
    3.3 网络训练目标
    3.4 本章小结
第四章 目标识别网络基础结构分析与设计
    4.1 特征提取能力度量
    4.2 几种典型CNN分类网络
    4.3 典型CNN分类网络性能分析与筛选
    4.4 基础网络优化设计
    4.5 样本扩增训练
    4.6 本章小结
第五章 变电站设备目标识别网络的训练与测试
    5.1 识别网络总体结构
    5.2 识别网络的训练
    5.3 识别网络的测试与分析
    5.4 目标识别软件系统设计实现
    5.5 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


【参考文献】：
期刊论文
[1]基于深度卷积神经网络的水稻穗瘟病检测方法[J]. 黄双萍,孙超,齐龙,马旭,汪文娟.  农业工程学报. 2017(20)
[2]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙.  农业工程学报. 2017(19)
[3]实时鲁棒的特征点匹配算法[J]. 陈天华,王福龙.  中国图象图形学报. 2016(09)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[5]一种基于SURF的变电站开关分合仪表识别算法[J]. 杨艳召,王建平,王库,李寒.  自动化应用. 2015(08)
[6]基于线结构光视觉的番茄重叠果实识别定位方法研究[J]. 冯青春,程伟,杨庆华,荀一,王秀.  中国农业大学学报. 2015(04)
[7]CNN视觉特征的图像检索[J]. 李钊,卢苇,邢薇薇,孙占全,王伟东,魏云超.  北京邮电大学学报. 2015(S1)
[8]基于YUV颜色模型的番茄收获机器人图像分割方法[J]. 林伟明,胡云堂.  农业机械学报. 2012(12)
[9]基于机器人的变电站开关状态图像识别方法[J]. 陈安伟,乐全明,张宗益,孙勇.  电力系统自动化. 2012(06)
[10]基于变电站巡检机器人的室外断路器状态自动识别算法[J]. 李丽,王滨海,王万国,李健.  科技通报. 2011(05)

硕士论文
[1]基于卷积神经网络的交通标识识别研究与应用[D]. 杨心.大连理工大学 2014
[2]卷积神经网络的研究与应用[D]. 徐姗姗.南京林业大学 2013
[3]卷积神经网络的研究及其在车牌识别系统中的应用[D]. 陆璐.合肥工业大学 2006



本文编号：3644899