基于深度迁移学习的复合绝缘子憎水性识别

憎水性等级(hydrophobicity class,HC)是复合绝缘子耐污闪性能的重要表征指标,为了准确判断绝缘子伞裙表面的憎水性,提出一种基于深度迁移学习的喷水图像识别方法。通过喷水试验构建不同HC等级的复合绝缘子喷水图像样本集,采用AlexNet、Inception-ResNetV2、ResNet101、ShuffleNet这4种卷积神经网络建立学习模型,利用ImageNet数据集对其进行预训练,通过微调网络结构进行模型迁移,并在前后网络层设置不同的学习率,使其适用于绝缘子HC识别任务。采用喷水图像样本集对4种迁移学习模型进行训练、验证与测试,并通过梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)对各模型的决策区域进行可视化分析。算例结果表明,4种模型均能有效识别HC1—HC7的喷水图像,其中ResNet101的性能最好,对700幅测试样本图像的识别准确率达98.14%,Grad-CAM热力图显示该结果具有较高的可靠性。研究可为复合绝缘子憎水性的检测与智能识别提供参考。     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

基于深度学习的红外图像中劣化绝缘子片的分割方法

红外成像作技术为绝缘子在线检测的重要手段已日趋成熟,而当前对于电气设备红外图像的分析仍依靠大多依赖人工经验,缺乏智能化。传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷。基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法。首先搭建实验平台,获得绝缘子串在复杂背景(有其他设备和发热源干扰)下的红外图像。为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度。然后构建多尺度的方法实现全卷积神经网络(FCN)的3种子模型架构：FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型进行端到端的训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取。通过对三种子模型训练测试对比后,得出以下结果：FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于验证测试数据集像素分类准确率为89.23%。结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于阈值差分的绝缘子缺陷识别算法

为了准确识别出绝缘子缺陷,防止绝缘子破损导致输电线路不能正常运行的问题,提出基于阈值差分的绝缘子缺陷识别算法。首先对图像进行预处理,然后进行自适应阈值分割完成图像二值化,通过形态学处理消除琐碎区域,使用边缘检测算子提取绝缘子边缘。将故障绝缘子与正常绝缘子作差提取缺陷图,依据缺陷像素大小与阈值的关系判断绝缘子的破损情况。将缺陷图二值化后使用矩形框标定。实验结果表明所提出的算法对绝缘子缺陷识别具有一定现实意义。     

基于深度学习的红外相机视力检测算法

为实现一种智能式的验光系统,针对光反射照相眼部筛查装置提出一种检测瞳孔参数的新方法。该验光方法首先通过多灯光反射照相机获得多张不同角度灯光的人脸图像,通过利用深度学习中Faster-RCNN来实现瞳孔检测,进一步对检测到的瞳孔图像采用阈值分割的方法研究,可以得到新月区域的特征参数,利用特征参数比计算近视度数。通过大量的实验结果表明,该方法不但速度快、稳定性好、精度高,而且还可以转移到移动终端上操作,该方法也是目前唯一结合深度学习实现眼部筛查的方法。     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标.为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架(YOLOV3-SPP)的绝缘子在线识别模型.该网络模型在YOLOV3的模型上加入了SPP模块.通过在Pytorch环境下的训练和测试,结果表明:加入SPP模块后提高了检测...     

基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

基于层次多任务深度学习的绝缘子自爆缺陷检测

绝缘子是电力线路中重要且使用广泛的器件,随着近年来无人机巡线的迅速普及,从航拍图像中检测绝缘子自爆缺陷成为热点问题.在航拍图像中,自爆绝缘子与正常绝缘子的区分难度相对更大,该文提出一种基于层次多任务深度学习的绝缘子自爆缺陷检测模型,使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子,并结合多任务学习和特征融合方法提高分类...     

基于深度学习的采摘机器人目标识别定位算法

为了提升采摘机器人对果实的识别准确率以及定位定精度,提出一种基于深度学习Faster-RCNN框架的采摘机器人目标识别和定位算法.首先采用卷积神经网络VGG16模型提取输入图像的特性信息,并利用区域提议网络RPN生成含有目标的候选框,通过引入自适应候选框数的方法有效提升了算法性能,然后利用多任务损失函数对目标进行分类识...     

基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

基于深度学习的天然气管道气体压力超声检测模式识别方法

针对天然气管道气体压力超声检测模式识别问题,提出了对原始信号进行预处理去除冗余信息,然后对信号进行变分模态分解(variational modal decomposition,VMD)提取最优本征模态函数(intrinsic model functin,IMF)对信号进行重构,接着对处理好的信号进行连续小波变换(con...     

基于关节点数据的双人交互行为识别

近年来基于RGB视频的双人交互行为识别取得了重大进展,但RGB视频数据的问题严重影响双人交互行为识别率。随着深度传感器(如微软Kinect)的快速发展,为准确获取人体运动的关节点数据提供了可能,可以大大的弥补RGB视频数据的不足。提出一种基于关节点数据的双人交互行为识别方法。首先对关节点数据计算出HOJ3D特征和关节距离特征,并将特征按照时间顺序进行图形化后分别送入的卷积神经网络中,分别提取两种深层次特征并进行拼接,然后使用Softmax分类器进行分类识别。该方法在SBU Kinect动作数据集的测试结果表明,该方法的识别准确率得到了一定的提高,达到了94.4%。该方法实现简单,且具有实时处理的能力,具有较好的应用前景。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。