电网检查是确保传输线安全可靠运行的重要手段。年来，使用无人机进行功率检查，然后进行信息处理或识别航拍图像组件是构建智能电网的研究热点之一。缘子是传输线中的重要设备，很容易受到外部环境的破坏，从而导致电气事故[1]。此，绝缘子状态检测特别重要，并且绝缘状态检测依赖于绝缘子的识别。
统的绝缘子图像识别包括图像过滤，特征提取和目标识别处理步骤，并且特征提取规则是手动设计的。考文献[2]基于绝缘子的颜色信息指示隔离器的位置，文献[3]提取绝缘子的图像边缘以识别绝缘子。献[4？ 5]使用绝缘线的独特形状来放置绝缘线。考文献[6]基于绝缘材料的纹理特征。献[7]建立了隔离器的标准库，并使用ASIFT算法来匹配绝缘子的标识。有这些都依赖于研究人员的经验，缺乏概括问题的能力，主要是确定特定类型的绝缘子，复杂的环境和干扰条件构成了普遍适用性低的问题。别过程分为多个阶段，实现过程更加复杂，整体优化不容易实现，限制了目标识别的有效性。来，基于深度卷积神经网络的目标识别取得了良好的效果。传统方法不同，深度学习不需要提取人工特征，并且该算法会自动学习以获取目标特征，具有较高的适用性和出色的目标识别效率。其他目标识别方法的深度学习方法相比，Faster R？ CNN [8]提供卓越的识别精度和更快的操作。此，本文使用Faster R框架吗？ CNN与机载绝缘图像数据集相关联，以建立隔离器识别系统，自动识别航测航空图像中的不同类型的绝缘子，并分析不同参数对绝缘精度的影响。别。快的R网络？ CNN由两个网络组成：区域性提案网络和Fast R检测器？ CNN [9]，谁使用RPN生成目标建议框并将其发送到Fast R检测网络？最终获得用于分类位置校正的CNN，其结构如图1所示。PN是一个完整的卷积网络，它使用滑动窗口遍历卷积，
电缆提取特征并将每个转换后的地图位置编码为一个低维特征向量。个窗口的中心位置对应于同时具有不同比例和纵横比的k个锚点（参数目标建议框）和样本。类层和回归层修改类别分数和区域定界区域的位置，并生成一组可以包含目标的矩形区域建议框。速R？ CNN将RPN生成的目标建议框映射到最后一个CNN层卷积图，并通过计算预先标记的实际边界框与目标标记框之间的重叠率来获得关注区域。标区域。后，使用RoI分组层为每个建议框提取固定大小的特征向量，然后使用完全连接层获得RoI特征向量。同形成Softmax分类器和帧回归，以执行目标置信度得分和检测到的位置。调。训过程使用RPN和FastR替代培训吗？ CNN，即RPN之前的培训，然后是Fast R培训？带有目标建议框的CNN。最后一个卷积层的卷积特征图上，使用3×3滑动窗口提取建议框，在滑动窗口的每个位置上，有3种不同的比例和3种不同的格式比率（1：1）。用。2：1、1：2）生成9个定位框，以预测包含目标的窗口的位置。别得分和区域选择框的位置由分类层和回归层校正。中：[Ncls]是批量的大小； [Nreg]是定位框中的位置数； [i]是锚点的索引； π是锚[i]属于某个目标的预测概率。锚为正样本时，[p * i = 1]，
电缆否则[p * i = 0]； [ti]表示选择的预测帧的四个参数化坐标矢量； [t * i]对于锚点为正。应的实选择框的坐标向量默认为[λ= 10]； [Lcls]和[Lreg]分别对应于分类损失和回归损失。议的RPN生成模块用于形成Fast R检测网络？ CNN训练过程使用端到端传播算法和随机梯度下降方法。RPN和Fast R？ CNN是单独形成的，不实现卷积层共享。后使用Fast R控制器？在上一步中训练的CNN重置RPN，更正共享卷积层，仅设置RPN的单层，保持卷积层固定并设置Fast R？具有RPN提取的目标建议框的CNN。此，两个网络共享相同的卷积层以形成统一的网络。于Faster R？的航拍图像绝缘识别过程CNN包含两个阶段，即网络学习阶段和识别测试阶段。学习阶段，自建图像数据库用于形成卷积神经网络，并具有获得目标识别模式所需的初始参数，而测试样本被引入到形成的识别模式中以获得识别结果。测并识别了新样品。快的R？ CNN已使用特定的图像数据集和相应的注释进行了预处理，因此不适合直接在其他图像数据集上执行目标检测。前没有开放的绝缘图像数据库，您需要创建自己的数据库。统数据库来自公用事业公司提供的航测航拍图像，其中包括背景，材料，电压水平和角度不同的不同类型的绝缘子。像的大小统一设置为256×256像素。像样本，图2是部分图像样本。统使用VOC2007数据集格式相应地标记绝缘子。训练模型部分，RPN与Fast R？交替形成。CNN。
ImageNet VGG模型初始化RPN吗？ 16个预成型。学习过程的随机梯度法中，小批量由一个图像样本组成，其中随机采样了256个锚点框，正负锚点之比为1：1。记有重叠区域大于0.7的锚点为正锚点，即前景，区域重叠小于0.3的锚点为锚点。定的，即背景。锚标记为1，负锚标记为0。
些标记的样本和图例框的坐标用于监督RPN训练。
用上一步中生成的建议框形成Fast R检测网络？ CNN，它也由ImageNet VGG模型初始化吗？ 16个预成型。训练过程中，迷你？批次由两个图像样本组成，每个图像样本生成64个感兴趣区域。
RoI的分组层通过反向传播过程时，执行反向传播的计算。用Fast R网络？ CNN获得了再次初始化RPN，设置卷积层参数并仅设置RPN的单层，然后保留共享的卷积层参数并微调Fast R？的单层的功能。CNN与RPN可以得到统一的标识。型。VGG模型？ 16是用来了解绝缘的特性的，型号为Faster R？ CNN接受了有关隔离器识别以及网络参数方面的培训。形成的模型可以直接用于绝缘子的识别。
别隔离器时，输入图像，输出对应于带有识别框的识别结果，从而实现完整的端到端识别。缘识别方法在荣田SCW4000超级计算机工作站上运行，该工作站具有Ubuntu 14.04.3位操作系统，Nvidia Tesla K40C图形卡，总共2个GPU，容量为Matlab R2014a开发环境为12GB单存储器。验过程训练集包含5，000个图像样本，测试集包含500个图像。均准确度（平均准确度，AP）用于测量识别效果。度是标记的绝缘边界框的数量与所有边界框的数量之比。先，我们研究了不同的深度卷积网络对绝缘子识别系统性能的影响，然后分析了不同参数对AP的影响。了研究不同卷积深度对绝缘识别系统的影响，使用了具有五个卷积层的ZF模型[11]和具有13个卷积层的VGG-16模型[12]。为共享卷积层。比经验。训练期间，前30，000次迭代为0.001，随后的10，000次为0.000，动量为0.9，权重为0.000。果如表1所示。相比ZF模型，VGG模型？ 16驱动网络很长时间，测试速度很慢。
是，随着网络模型深度的增加，AP值从89.49％增加到90.5％，增加了1％，这是由于VGG？ 16选择相对较小的卷积核和步长，具有较高的网络精度和对其他数据集的良好泛化能力。此，系统使用VGG模型吗？ 16作为卷积网络。3显示了使用VGG-16模型对卷积运算进行部分识别的结果。图3所示，识别出的绝缘子具有不同的形式，包括不同的材料（玻璃，陶瓷），不同的颜色（蓝色，绿色，灰色等），背景不同（绿色空间，森林，田野）等）。且角度，模糊和遮挡程度不同，输入测试图像的大小也有所不同。人工设计的特征相比，只能识别出某种类型的绝缘体，由于对绝缘体特性的深入了解和自动学习，可以自动识别出不同类型的绝缘体，范围是范围更广，多功能性更大。2显示了在设置其他参数时更改批次大小的一组测试的实验结果，为缩短学习时间，最大迭代次数为20，000。R CNN由随机梯度下降法驱动，每个样本进行迭代更新，从表2中可以看出，在一定范围内，批次越大，形成的样本数量就越大。练样本的数量对卷积神经元网络的识别效果有很大的影响。
Faster R模型？ CNN由不同的驱动器样本号组成：RPN和快速R批次大小？ CNN分别为256和128，最大迭代次数为40，000。他参数保持不变，并测试了测试集。3显示。察表3显示，随着训练样本数量的增加，系统的学习时间增加，但AP值显着增加，从1000个样本上的71.3％增加到90个样本5，000个样本中的5％，增加了19个百分点。像的平均时间为0.21 s，测试速率几乎保持不变，这表明增加训练样本的数量可以提高系统识别的准确性和速度系统的识别几乎是实时的。4显示了使用与不同学习样本数量相对应的模型对测试进行部分识别的结果。以看出，随着样本数量的增加，所识别的隔离器的位置会更加准确，并且外壳中的绝缘层也很大。SPPnet [11]使用选择性搜索（SS）算法生成目标区域建议。SS是在Faster ??之前生成目标区域的最常用算法。了验证所提出的方法在隔离器识别方面具有优势，将其与SPPnet网络进行了比较。用VGG™16模型，可以通过Faster R？识别测试集。CNN和SPPnet根据模型参数对应的最大显示点。
较结果示于表4。以看出，Faster R方法的精度是多少？ CNN高于SPPnet，这主要是由于RPN比SS建议的目标区域更准确。快的R？ CNN包括特征提取，目标推荐检索，边界回归和网络分类，所有过程都符合GPU，并且检测速度远远超过SPPnet。文采用Faster R深对流神经元网络构造隔离器识别模型。CNN。
过建立隔离器的航拍图像数据集，可以完成模型的建立和效果的验证。验表明，基于Faster R？的绝缘识别方法。CNN效率高，可以识别图像中不同类型的绝缘子：识别速度可以达到每张220毫秒左右，准确度达到90.5％，是传统的识别方法。限且效率低下。是，由于样本不完整，绝缘子之间的阻塞识别效果并不理想，有必要收集更有效的图像样本，这是一个问题。来解决。
本文转载自
电缆 https://www.haoluoyi.com
猜您兴趣
首页
QQ