變電站設(shè)備的實時準(zhǔn)確識別是實現(xiàn)無人值守變電站自動監(jiān)視、機(jī)器人巡檢等自動化、智能化生產(chǎn)的關(guān)鍵。由于變電站內(nèi)設(shè)備類型、型號繁多,設(shè)備顏色近似,基于顏色空間的閾值分割法很難勝任不同設(shè)備的同時檢測。另一方面,由于特征提取算子的非實時性,傳統(tǒng)模式識別方法也很難直接應(yīng)用于變電站設(shè)備的實時檢測上。卷積神經(jīng)網(wǎng)絡(luò)（CNN）能夠自動提取低層圖像特征和高層語義特征,且在GPU計算設(shè)備上具有實時性。鑒于此,本文借鑒Faster R-CNN、YOLOv2,提出一種基于CNN的變電站設(shè)備快速識別方法,并設(shè)計了對應(yīng)的識別網(wǎng)絡(luò)模型,該模型由卷積神經(jīng)網(wǎng)絡(luò)和對輸出特征圖的進(jìn)一步處理構(gòu)成。該識別網(wǎng)絡(luò)能夠用卷積特征圖直接預(yù)測變電站設(shè)備的目標(biāo)邊界和類型。在多種光照條件下采集了變電站設(shè)備圖像和場景圖像,構(gòu)建了變電站設(shè)備圖像數(shù)據(jù)集和場景數(shù)據(jù)集。為給識別網(wǎng)絡(luò)篩選基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu),以模型大小、特征統(tǒng)計可分性、分類性能和計算速度為判據(jù),分析了幾種典型分類CNN網(wǎng)絡(luò)在變電站圖像處理上的性能和適用性。受這幾種典型網(wǎng)絡(luò)各自優(yōu)點的啟發(fā),設(shè)計了一種面向通道的分組卷積模塊和對應(yīng)分類網(wǎng)絡(luò)CWGCNet。為進(jìn)一步提高分類CNN網(wǎng)絡(luò)圖像特征提取能力,提出用樣... 

【文章來源】：沈陽農(nóng)業(yè)大學(xué)遼寧省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 變電站設(shè)備識別的國內(nèi)外研究進(jìn)展
        1.2.2 深度卷積神經(jīng)網(wǎng)絡(luò)的國內(nèi)外研究進(jìn)展
    1.3 本文主要內(nèi)容及論文章節(jié)結(jié)構(gòu)
第二章 變電站設(shè)備圖像采集及預(yù)處理
    2.1 變電站設(shè)備圖像采集
    2.2 圖像噪聲及預(yù)處理
    2.3 圖像數(shù)據(jù)增廣及預(yù)處理
    2.4 本章小結(jié)
第三章 基于CNN的變電站主要設(shè)備目標(biāo)識別網(wǎng)絡(luò)設(shè)計
    3.1 卷積神經(jīng)網(wǎng)絡(luò)基本理論
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法
    3.2 變電站主要設(shè)備目標(biāo)識別網(wǎng)絡(luò)設(shè)計
        3.2.1 架構(gòu)設(shè)計
        3.2.2 目標(biāo)邊界框的預(yù)測
        3.2.3 目標(biāo)類型的預(yù)測
    3.3 網(wǎng)絡(luò)訓(xùn)練目標(biāo)
    3.4 本章小結(jié)
第四章 目標(biāo)識別網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)分析與設(shè)計
    4.1 特征提取能力度量
    4.2 幾種典型CNN分類網(wǎng)絡(luò)
    4.3 典型CNN分類網(wǎng)絡(luò)性能分析與篩選
    4.4 基礎(chǔ)網(wǎng)絡(luò)優(yōu)化設(shè)計
    4.5 樣本擴(kuò)增訓(xùn)練
    4.6 本章小結(jié)
第五章 變電站設(shè)備目標(biāo)識別網(wǎng)絡(luò)的訓(xùn)練與測試
    5.1 識別網(wǎng)絡(luò)總體結(jié)構(gòu)
    5.2 識別網(wǎng)絡(luò)的訓(xùn)練
    5.3 識別網(wǎng)絡(luò)的測試與分析
    5.4 目標(biāo)識別軟件系統(tǒng)設(shè)計實現(xiàn)
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J]. 黃雙萍,孫超,齊龍,馬旭,汪文娟.  農(nóng)業(yè)工程學(xué)報. 2017(20)
[2]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報. 2017(19)
[3]實時魯棒的特征點匹配算法[J]. 陳天華,王福龍.  中國圖象圖形學(xué)報. 2016(09)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)
[5]一種基于SURF的變電站開關(guān)分合儀表識別算法[J]. 楊艷召,王建平,王庫,李寒.  自動化應(yīng)用. 2015(08)
[6]基于線結(jié)構(gòu)光視覺的番茄重疊果實識別定位方法研究[J]. 馮青春,程偉,楊慶華,荀一,王秀.  中國農(nóng)業(yè)大學(xué)學(xué)報. 2015(04)
[7]CNN視覺特征的圖像檢索[J]. 李釗,盧葦,邢薇薇,孫占全,王偉東,魏云超.  北京郵電大學(xué)學(xué)報. 2015(S1)
[8]基于YUV顏色模型的番茄收獲機(jī)器人圖像分割方法[J]. 林偉明,胡云堂.  農(nóng)業(yè)機(jī)械學(xué)報. 2012(12)
[9]基于機(jī)器人的變電站開關(guān)狀態(tài)圖像識別方法[J]. 陳安偉,樂全明,張宗益,孫勇.  電力系統(tǒng)自動化. 2012(06)
[10]基于變電站巡檢機(jī)器人的室外斷路器狀態(tài)自動識別算法[J]. 李麗,王濱海,王萬國,李健.  科技通報. 2011(05)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識識別研究與應(yīng)用[D]. 楊心.大連理工大學(xué) 2014
[2]卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]. 徐姍姍.南京林業(yè)大學(xué) 2013
[3]卷積神經(jīng)網(wǎng)絡(luò)的研究及其在車牌識別系統(tǒng)中的應(yīng)用[D]. 陸璐.合肥工業(yè)大學(xué) 2006



本文編號：3644899