基于深度学习技术的巡检视频图像智能理解算法研究

发布时间：2024-07-05 22:24

　　近年来,随着我国电网建设的迅速发展,输电线路规模增大,设备量也相应的增多,给电网的安全运行带来了新的挑战,急需新型、高效以及智能的管理手段。传统的电力巡检业务依靠人工巡视,需要攀爬杆塔,翻山越岭,存在作业难度大,风险高,效率低等诸多问题。近年来,无人机技术和图像识别技术取得长足发展,给电力线路巡检带来了新的工具和思路,依靠无人机和图像识别技术可以大大提高巡检效率,也是目前一个热门的研究方向。深度学习目前在语音,图像,文字等领域有较为广泛的使用,并且在工业应用中取得了巨大效益。作者将深度学习技术引入到了巡检视频图像的理解中,以帮助人们发现问题和提高效率。作者选取了基于“分类”和“回归”的两种不同的深度学习图像识别框架,利用它们去识别电力巡检视频中的输电塔、树、绝缘子、鸟窝等物体。作者准备了这四种物体的图片作为原始数据去训练模型,最终观察和比较这两种模型的表现差异。作者在有限的训练样本中已经取得了较为满意的识别正确率,证实了深度学习用于巡检图像识别的可行性。作者给出了不同需求场景下框架选用的原则,在速度优先的情况下选择“YOLO”,在更关心准确率的场景下选择“Faster R-CNN”。

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图2-1二维数据点聚类

第二章图像处理基础原理11图2-1二维数据点聚类图2-2手写字符聚类2.4图像内容分类本节介绍图像分类和图像内容分类算法。首先，介绍一些简单而有效的方法和目前一些性能最好的分类器，并运用它们解决两类和多分类问题。2.4.1K近邻分类法（KNN）K近邻[47-50](K-....

图2-2手写字符聚类

11图2-1二维数据点聚类图2-2手写字符聚类2.4图像内容分类本节介绍图像分类和图像内容分类算法。首先，介绍一些简单而有效的方法和目前一些性能最好的分类器，并运用它们解决两类和多分类问题。2.4.1K近邻分类法（KNN）K近邻[47-50](K-NearestNei....

图2-3KNN算法模型

12图2-3KNN算法模型图2-3表示在二维空间中的一个分类场景，三角形和正方形的图形代表已经打标过的两种数据的分布，打问号的圆形数据是我们需要进行分类的预测对象。首先在算法推导之前需要先设置K值：1)当K=3时，我们找出距离预测集，也就是圆形数据最近的3个数据，这....

图2-4KNN特性展示

图2-4KNN特性展示中，正方形和六边形表示已经打标好的数据集离的角度直观来看，五角星应该属于正方形这一的分布不平衡，六边形的数量远多于正方形的数所以KNN在目标数据集数量比例分布不平衡的情题就是计算成本很高，因为每个预测点都需要对常大的计算资源开销。eBayesian....

本文编号：4001634