基于深度学习的电气设备红外图像分析方法研究
发布时间：2021-04-27 06:52
为了提高电气设备状态监测的智能化水平,许多监测技术得到积极地推广和应用,在众多监测技术中红外热成像技术因其不停电、不取样、不解体等优点而备受青睐。随着红外诊断技术在电力系统应用越来越广泛,红外成像仪的数量和巡检拍摄的红外图像也逐年增多。目前对红外图像的分析诊断多依赖人工,而目前的红外监测人员较少且无法满足对巨量红外图像的分析工作,再加上部分监测人员的专业知识水平和监测经验积累不足,因此对缺陷的分析判断能力较差,这大大制约了设备状态监测智能化水平的提升。随着深度学习在计算机视觉领域的发展,本文将深度学习引入到对电气设备红外图像的分析处理中。首先,本文介绍了传统红外图像处理技术并提出其不足之处,之后介绍更智能化的深度学习（Deep Learning）,介绍了深度学习的理论基础、在图像处理领域的应用以及其迁移学习的理论基础。然后,对深度学习的图像分割应用进行更深入的研究,从AlexNet、VGG、ResNet再到FCN和Mask R-CNN分析深度学习在图像分割领域的理论基础和应用效果。最后,使用Mask R-CNN与迁移学习对电气设备红外图像进行目标检测和分割,详细介绍了训练的实验环境、训...
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 选题背景及意义
1.2 国内外研究现状及发展动态
1.2.1 电力系统中红外热成像技术应用现状
1.2.2 红外图像处理及分析研究现状
1.2.3 深度学习研究现状
1.3 论文研究内容及文章结构
第2章 电气设备红外图像分析与深度学习技术研究
2.1 传统电气设备红外图像分析技术
2.2 传统电气设备红外图像分析技术的不足
2.3 深度学习技术
2.3.1 深度学习的基础——卷积神经网络
2.3.2 深度学习的应用——图像分割
2.3.3 深度学习的进阶——迁移学习
2.4 本章小结
第3章 基于深度学习的图像分割方法研究
3.1 引言
3.2 基础模型研究
3.2.1 AlexNet模型
3.2.2 VGG模型
3.2.3 ResNet模型
3.3 图像分割模型研究
3.3.1 FCN模型
3.3.2 Mask R-CNN模型
3.3.3 FCN和Mask R-CNN的比较
3.4 本章小结
第4章 基于Mask R-CNN的电气设备红外图像识别
4.1 实验整体流程
4.2 实验环境
4.2.1 编码语言
4.2.2 训练平台
4.2.3 硬件环境
4.3 实验数据集
4.4 训练网络结构设计
4.4.1 特征提取网络结构
4.4.2 区域推荐网络结构
4.4.3 分割网络结构
4.4.4 训练损失函数
4.4.5 参数调节
4.5 训练过程及结果分析
4.5.1 COCO数据集训练结果及分析
4.5.2 电气设备红外数据集训练结果及分析
4.5.3 不同迭代次数对分割结果影响对比及分析
4.5.4 模型最终检测结果分析
4.6 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing. Journal of Systems Engineering and Electronics. 2018(05)
[2]基于红外图像分析的电力设备热故障检测技术研究[J]. 芦竹茂,王天正,俞华,马丽强,刘永鑫. 现代电子技术. 2017(11)
[3]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[4]基于红外图像识别的输电线路故障诊断方法[J]. 王淼,杜伟,孙鸿博,张静. 红外技术. 2017(04)
[5]基于改进FAsT-Match算法的电力设备红外图像多目标定位[J]. 邹辉,黄福珍. 中国电机工程学报. 2017(02)
[6]基于FAsT-Match算法的电力设备红外图像分割[J]. 邹辉,黄福珍. 红外技术. 2016(01)
[7]基于图像分析的电力设备故障检测技术研究[J]. 冯俊. 现代电子技术. 2015(24)
[8]基于图像分割和轮廓矩的果蝇求偶行为识别方法[J]. 孙吉祥,梁敬东. 计算机应用与软件. 2015(04)
[9]基于自适应遗传算法的变电站红外图像模糊增强[J]. 崔昊杨,许永鹏,孙岳,孙旭日,盛戈皞,江秀臣. 高电压技术. 2015(03)
[10]基于红外图像的绝缘子串自动提取和状态识别[J]. 姚建刚,付鹏,李唐兵,朱向前,伍也凡,欧阳旭,付强. 湖南大学学报(自然科学版). 2015(02)
博士论文
[1]基于深度学习的电力设备图像识别及应用研究[D]. 李军锋.广东工业大学 2018
硕士论文
[1]基于视觉的行人检测技术研究[D]. 王浩.辽宁工业大学 2018
[2]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[3]海空远距离红外小目标检测技术研究[D]. 黄心雨.电子科技大学 2017
[4]膜计算在变电站电力设备红外图像分割与故障检测中的应用[D]. 谭靖.西华大学 2016
[5]电气设备红外图像分析与处理[D]. 杨洋.北京交通大学 2015
[6]基于红外图像的电力变压器故障的在线检测[D]. 李文芳.安徽理工大学 2014
[7]基于红外测温技术的变电设备缺陷诊断分析[D]. 李鹏程.华北电力大学 2014
[8]变电站电力设备红外图像分割技术研究[D]. 王如意.西安科技大学 2011
本文编号：3162995
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 选题背景及意义
1.2 国内外研究现状及发展动态
1.2.1 电力系统中红外热成像技术应用现状
1.2.2 红外图像处理及分析研究现状
1.2.3 深度学习研究现状
1.3 论文研究内容及文章结构
第2章 电气设备红外图像分析与深度学习技术研究
2.1 传统电气设备红外图像分析技术
2.2 传统电气设备红外图像分析技术的不足
2.3 深度学习技术
2.3.1 深度学习的基础——卷积神经网络
2.3.2 深度学习的应用——图像分割
2.3.3 深度学习的进阶——迁移学习
2.4 本章小结
第3章 基于深度学习的图像分割方法研究
3.1 引言
3.2 基础模型研究
3.2.1 AlexNet模型
3.2.2 VGG模型
3.2.3 ResNet模型
3.3 图像分割模型研究
3.3.1 FCN模型
3.3.2 Mask R-CNN模型
3.3.3 FCN和Mask R-CNN的比较
3.4 本章小结
第4章 基于Mask R-CNN的电气设备红外图像识别
4.1 实验整体流程
4.2 实验环境
4.2.1 编码语言
4.2.2 训练平台
4.2.3 硬件环境
4.3 实验数据集
4.4 训练网络结构设计
4.4.1 特征提取网络结构
4.4.2 区域推荐网络结构
4.4.3 分割网络结构
4.4.4 训练损失函数
4.4.5 参数调节
4.5 训练过程及结果分析
4.5.1 COCO数据集训练结果及分析
4.5.2 电气设备红外数据集训练结果及分析
4.5.3 不同迭代次数对分割结果影响对比及分析
4.5.4 模型最终检测结果分析
4.6 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing. Journal of Systems Engineering and Electronics. 2018(05)
[2]基于红外图像分析的电力设备热故障检测技术研究[J]. 芦竹茂,王天正,俞华,马丽强,刘永鑫. 现代电子技术. 2017(11)
[3]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[4]基于红外图像识别的输电线路故障诊断方法[J]. 王淼,杜伟,孙鸿博,张静. 红外技术. 2017(04)
[5]基于改进FAsT-Match算法的电力设备红外图像多目标定位[J]. 邹辉,黄福珍. 中国电机工程学报. 2017(02)
[6]基于FAsT-Match算法的电力设备红外图像分割[J]. 邹辉,黄福珍. 红外技术. 2016(01)
[7]基于图像分析的电力设备故障检测技术研究[J]. 冯俊. 现代电子技术. 2015(24)
[8]基于图像分割和轮廓矩的果蝇求偶行为识别方法[J]. 孙吉祥,梁敬东. 计算机应用与软件. 2015(04)
[9]基于自适应遗传算法的变电站红外图像模糊增强[J]. 崔昊杨,许永鹏,孙岳,孙旭日,盛戈皞,江秀臣. 高电压技术. 2015(03)
[10]基于红外图像的绝缘子串自动提取和状态识别[J]. 姚建刚,付鹏,李唐兵,朱向前,伍也凡,欧阳旭,付强. 湖南大学学报(自然科学版). 2015(02)
博士论文
[1]基于深度学习的电力设备图像识别及应用研究[D]. 李军锋.广东工业大学 2018
硕士论文
[1]基于视觉的行人检测技术研究[D]. 王浩.辽宁工业大学 2018
[2]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[3]海空远距离红外小目标检测技术研究[D]. 黄心雨.电子科技大学 2017
[4]膜计算在变电站电力设备红外图像分割与故障检测中的应用[D]. 谭靖.西华大学 2016
[5]电气设备红外图像分析与处理[D]. 杨洋.北京交通大学 2015
[6]基于红外图像的电力变压器故障的在线检测[D]. 李文芳.安徽理工大学 2014
[7]基于红外测温技术的变电设备缺陷诊断分析[D]. 李鹏程.华北电力大学 2014
[8]变电站电力设备红外图像分割技术研究[D]. 王如意.西安科技大学 2011
本文编号：3162995
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3162995.html
