發(fā)布時(shí)間：2023-11-09 19:52

　　電氣線路缺陷會(huì)引發(fā)線路短路和大面積停電,影響電網(wǎng)的安全運(yùn)行。目前,常用的保障電氣線路的正常運(yùn)行的方式是直升機(jī)或無人機(jī)巡檢,通過其搭載的相機(jī)獲得巡檢影像,并由工作人員識(shí)別圖像中的缺陷。隨著巡檢線路的增多,電網(wǎng)工作人員的工作量也會(huì)相應(yīng)增大,容易出現(xiàn)漏判誤判的問題。本文分別在輸電線路和配電線路兩種實(shí)際生產(chǎn)運(yùn)行環(huán)境中針對故障進(jìn)行了識(shí)別。配電線路的陶瓷絕緣子容易在潮濕環(huán)境和雷雨天氣中發(fā)生污閃。針對配電線路故障問題,本文提出了一種基于統(tǒng)計(jì)特征的配電線路污閃絕緣子識(shí)別方法�；诮^緣子與背景顏色的差異,結(jié)合顏色特征進(jìn)行絕緣子的提取;最后基于絕緣子提取結(jié)果求特征值并組成特征向量并訓(xùn)練分類器。許多輸電線路建在荒郊野嶺中,絕緣子易受溫差變化或外力破壞而自爆,鳥類在鐵塔筑巢會(huì)導(dǎo)致線路短路。針對上述輸電線路故障問題,本文通過搭建卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對鳥巢和故障絕緣子的分類和檢測,解決傳統(tǒng)算法泛化能力不強(qiáng)、正確率不高的問題。首先通過研究卷積神經(jīng)網(wǎng)絡(luò),搭建適宜的網(wǎng)絡(luò)模型。然后訓(xùn)練分類器,并結(jié)合相關(guān)的訓(xùn)練方法在訓(xùn)練過程中進(jìn)行優(yōu)化。最后將分類器與傳統(tǒng)特征提取方法對比,實(shí)驗(yàn)結(jié)果表明對于鳥巢和故障絕緣子,卷積神經(jīng)網(wǎng)絡(luò)的平均正確...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的絕緣子故障檢測與識(shí)別的研究現(xiàn)狀
        1.2.2 傳統(tǒng)的鳥巢檢測與識(shí)別的研究現(xiàn)狀
        1.2.3 模式識(shí)別研究現(xiàn)狀
    1.3 論文主要工作
    1.4 論文結(jié)構(gòu)安排
第二章 航拍圖像處理與識(shí)別相關(guān)技術(shù)
    2.1 顏色空間
        2.1.1 RGB顏色空間
        2.1.2 HSV顏色空間
        2.1.3 YCbCr空間
    2.2 顏色矩
    2.3 HOG特征
        2.3.1 HOG特征基本原理
        2.3.2 HOG算法流程
        2.3.3 HOG特征提取
    2.4 LBP特征
        2.4.1 LBP特征基本原理
        2.4.2 LBP算法流程
        2.4.3 LBP特征提取
    2.5 Gabor特征
        2.5.1 Gabor特征基本原理
        2.5.2 Gabor特征算法流程
        2.5.3 Gabor特征提取
    2.6 支持向量機(jī)
        2.6.1 支持向量機(jī)基本原理
        2.6.2 核函數(shù)
    2.7 本章小結(jié)
第三章 深度學(xué)習(xí)算法簡介
    3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 激活函數(shù)
        3.1.4 損失函數(shù)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
        3.2.1 卷積層
        3.2.2 正則化方法
        3.2.3 預(yù)訓(xùn)練和微調(diào)
    3.3 常用的卷積神經(jīng)網(wǎng)絡(luò)
    3.4 Faster R-CNN算法
    3.5 本章小結(jié)
第四章 基于分類和檢測的航拍圖像故障識(shí)別
    4.1 數(shù)據(jù)集
        4.1.1 分類器數(shù)據(jù)集
        4.1.2 檢測器數(shù)據(jù)集
    4.2 配電線路絕緣子分類
        4.2.1 配電線路絕緣子提取
        4.2.2 閾值分割參數(shù)確定
        4.2.3 SVM分類器訓(xùn)練
    4.3 基于傳統(tǒng)分類方法的輸電線路圖像故障識(shí)別
    4.4 基于CNN分類器的輸電線路圖像故障識(shí)別
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 權(quán)值初始化的設(shè)計(jì)
        4.4.3 模型參數(shù)設(shè)置及調(diào)參
        4.4.4 訓(xùn)練細(xì)節(jié)
    4.5 基于檢測器的輸電線路圖像故障識(shí)別
    4.6 級聯(lián)網(wǎng)絡(luò)
    4.7 實(shí)驗(yàn)結(jié)果與分析
        4.7.1 評價(jià)指標(biāo)
        4.7.2 分類器實(shí)驗(yàn)結(jié)果與分析
        4.7.3 檢測器實(shí)驗(yàn)結(jié)果與分析
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況說明
致謝



本文編號(hào)：3861912