结合深度学习和随机森林的电力设备图像识别

发布时间：2018-06-07 20:14

  本文选题：电力设备 + 图像识别　； 参考：《高电压技术》2017年11期

【摘要】：为了解决电力系统海量非结构化图像数据智能化分析和识别这一问题,提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法。在特征提取方面,通过卷积神经网络提取了电力设备图像的特征;在识别算法方面,借鉴传统机器学习方法的优势,提出了结合深度学习的随机森林分类方法。使用8 500幅电力设备图像对该方法进行了测试。研究结果表明:对于绝缘子、变压器、断路器、输电线电杆和输电线铁塔这5种电力设备,该方法的平均识别准确率达到了89.6%,比常规卷积神经网络分类器和传统随机森林分类器的平均识别准确率分别高出了6.8%和12.6%。该方法为海量非结构化电力设备图像智能化分析提供了一种新的解决办法。
[Abstract]:In order to solve the problem of intelligent analysis and recognition of massive unstructured image data in power system, a method of image recognition for key power equipment in power system combining depth learning and stochastic forest is proposed. In the aspect of feature extraction, the feature of power equipment image is extracted by convolution neural network, and in recognition algorithm, a stochastic forest classification method combining depth learning is put forward by referring to the advantage of traditional machine learning method. The method is tested with 8,500 images of power equipment. The results show that: for insulators, transformers, circuit breakers, transmission line poles and transmission line towers, The average recognition accuracy of this method is 89.6% higher than that of conventional convolution neural network classifier and traditional random forest classifier by 6.8% and 12.6% respectively. This method provides a new solution for the intelligent analysis of massive unstructured power equipment images.
【作者单位】： 广东工业大学自动化学院;武汉纺织大学数学与计算机学院;
【基金】：广东电网公司重点科技项目(GDKJQQ20152015) 湖北省科技厅自然科学基金(2016CFB460)~~
【分类号】：TP18;TP391.41

【相似文献】

相关期刊论文 前10条

1 李建更;高志坤;;随机森林:一种重要的肿瘤特征基因选择法[J];生物物理学报;2009年01期

2 刘足华;熊惠霖;;基于随机森林的目标检测与定位[J];计算机工程;2012年13期

3 董师师;黄哲学;;随机森林理论浅析[J];集成技术;2013年01期

4 陈姝;彭小宁;;基于粒子滤波和在线随机森林分类的目标跟踪[J];江苏大学学报(自然科学版);2014年02期

5 王丽婷;丁晓青;方驰;;基于随机森林的人脸关键点精确定位方法[J];清华大学学报(自然科学版);2009年04期

6 李建更;高志坤;;随机森林针对小样本数据类权重设置[J];计算机工程与应用;2009年26期

7 吴华芹;;基于训练集划分的随机森林算法[J];科技通报;2013年10期

8 程光;王贵锦;何礼;林行刚;;人体姿势估计中随机森林训练算法的并行化[J];计算机应用研究;2014年05期

9 于延;王建华;;基于云计算平台的随机森林算法的研究与实现[J];科技通报;2013年04期

10 刘永春;宋弘;;基于随机森林的乳腺肿瘤诊断研究[J];电视技术;2014年15期

相关会议论文 前10条

1 谢程利;王金桥;卢汉清;;核森林及其在目标检测中的应用[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

2 武晓岩;方庆伟;;基因表达数据分析的随机森林方法及算法改进[A];黑龙江省第十次统计科学讨论会论文集[C];2008年

3 高晓丁;左贺;高鹏;;基于图像识别的多套色印花对花定位技术研究[A];佶龙杯第四届全国印花学术研讨会论文集[C];2009年

4 郭艳;王萍;朱国;;基于图像识别的射击自动报靶系统[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

5 姜洪臣;任晓磊;赵耀宏;徐波;;基于音频语谱图像识别的广告检索[A];第十一届全国人机语音通讯学术会议论文集（二）[C];2011年

6 姜洪臣;任晓磊;赵耀宏;徐波;;基于音频语谱图像识别的广告检索技术[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年

7 刘翠响;孙以材;张艳;于明;;基于三控制要素的多项式模糊拟合在人脸图像识别中的应用[A];第25届中国控制会议论文集（下册）[C];2006年

8 林达宜;邱利松;张莎;;物联网发展与图像识别[A];2012全国无线及移动通信学术大会论文集（上）[C];2012年

9 王利强;张红梅;;储粮害虫图像识别知识库研究[A];计算机研究新进展（2010）——河南省计算机学会2010年学术年会论文集[C];2010年

10 俞建荣;卜凡亮;李文力;陆晓军;;流化床气泡运动的图像识别与分析[A];第三届全国信息获取与处理学术会议论文集[C];2005年

相关重要报纸文章 前4条

1 记者 郑晓春;以开发出计算机图像识别新技术[N];科技日报;2007年

2 记者 李红;法研究出图像识别软件[N];科技日报;2000年

3 田梦;PDF图像识别助推电子政务[N];计算机世界;2007年

4 比尔·盖茨;软件边界不断改变令人兴奋[N];中国电子报;2008年

相关博士学位论文 前10条

1 姚登举;面向医学数据的随机森林特征选择及分类方法研究[D];哈尔滨工程大学;2016年

2 刘军;人脸图像识别关键技术的研究[D];北京邮电大学;2015年

3 柳杨;面向图像识别的稀疏模型研究[D];北京邮电大学;2015年

4 耿庆田;基于图像识别理论的智能交通系统关键技术研究[D];吉林大学;2016年

5 王宇新;基于特征分布的图像识别方法研究与应用[D];大连理工大学;2012年

6 陈健美;基于密度聚类和多特征融合的医学图像识别研究[D];江苏大学;2008年

7 冉瑞生;一些矩阵计算问题及其在图像识别中的应用研究[D];电子科技大学;2006年

8 李雅梅;南宋川南墓葬石刻艺术与计算机图像识别应用的研究[D];重庆大学;2008年

9 侯书东;基于相关投影分析的特征提取研究及在图像识别中的应用[D];南京理工大学;2012年

10 吴萌;多尺度表达和正则化方法在图像识别中的研究与应用[D];上海交通大学;2014年

相关硕士学位论文 前10条

1 贺捷;随机森林在文本分类中的应用[D];华南理工大学;2015年

2 张文婷;交通环境下基于改进霍夫森林的目标检测与跟踪[D];华南理工大学;2015年

3 李强;基于多视角特征融合与随机森林的蛋白质结晶预测[D];南京理工大学;2015年

4 朱玟谦;一种收敛性随机森林在人脸检测中的应用研究[D];武汉理工大学;2015年

5 肖宇;基于序列图像的手势检测与识别算法研究[D];电子科技大学;2014年

6 李慧;一种改进的随机森林并行分类方法在运营商大数据的应用[D];电子科技大学;2015年

7 赵亚红;面向多类标分类的随机森林算法研究[D];哈尔滨工业大学;2014年

8 丁然;基于随机森林大豆籽粒外观品质识别系统的设计与实现[D];东北农业大学;2015年

9 邱佳迪;基于随机森林的恶意移动应用动态检测方法研究[D];浙江工业大学;2015年

10 张兴;基于Spark大数据平台的火电厂节能分析[D];太原理工大学;2016年

，

本文编号：1992660