原创《深度学习在输电线路绝缘子故障检测中和应用》
该文是有关故障检测在职开题报告范文与绝缘子和故障检测和输电线路类毕业论文提纲范文。
【摘 要】 绝缘子是输电线路中极其重要且大量存在的部件,同时又是故障多发元件,因此对绝缘子进行故障检测尤为重要.传统的图像处理技术和机器学习算法具有很大局限性,鲁棒性差且流程复杂.利用卷积神经网络（CNN）进行图像识别和目标检测的效果优于传统方法,更适用于绝缘子故障检测.本文详细描述了Faster R-CNN 算法流程,并把该方法应用在输电线路绝缘子故障检测中,利用实际采集的绝缘子图像构建数据集,最后通过实验分析了不同参数对识别结果的影响.实验结果表明,利用深度学习对输电线路绝缘子进行故障检测是可行的.
【关键词】 深度学习 Faster R-CNN 卷积神经网络 绝缘子 故障检测
引言
我国的电力系统是由发电、输电、变电、配电等环节构成,其中保障输电线路的可靠性是智能电网建设的重要内容,其中绝缘子是输电线路中非常重要的部件,同时也经常出现故障,因此绝缘子的故障检测工作必不可少.随着无人机（Unmanned Aerial Vehicle, U）应用的逐渐普及,无人机巡检受到各大电网公司的广泛关注.但由于无人机图像数据集很大,人工识别方法效率低,而且容易造成误判和漏判,因此采用智能化图像识别方法是必要的.和实验室环境相比,现场的输电线路绝缘子图像背景复杂,不同地区不同季节背景差异较大.
传统的模式识别算法主要采用人工设计的特征,如SIFT（Scale-invariant feature tranorm）[1]、边缘检测符[2]、HOG（Histogram of Oriented Gridients）方向梯度直方图等,这些图像分割算法一般采用基于部件轮廓骨架的方法[3],或者自适应阈值方法[4],这些方法都不适用于复杂环境下绝缘子特征的检测.
2012 年,深度学习在图像识别与检测中取得了非常好的效果,检测和识别效果大大优于传统方法,引起了人们的广泛关注.本文研究了一种深度学习方法Faster R-CNN 在输电线路绝缘子故障检测中的应用,该方法可以识别出绝缘子,并能够判断绝缘子有无故障.
一、Faster R-CNN 方法介绍
基于区域的卷积神经网络（RCNN）方法在近几年得到不断的完善发展,它通过使用CNN 从图像中提取可能含有目标的区域来检测并识别目标.2014 年和2015 年,Ross 和微软陆续提出了改进的RCNN 方法,SPPnet[6] 首次引入空间金字塔池化层,提高了准确率；Fast R-CNN[7] 采用尺度自适应池化的方法对整个网络进行调优,进一步提高了准确率；Faster R-CNN[8]通过使用区域提议网络代替选择性搜索方法,大大提高了识别速度.
Faster R-CNN 包含2 个网络： 区域提议网络和FastR-CNN 检测网络.
该方法的训练过程和检测过程都是通过这2 个网络进行的,其中,在训练阶段包括4 个步骤：
1）使用区域提议网络集中生成每张图片的候选区域,并对每个候选区域用Fast R-CNN 网络提取特征；
2）利用候选区域和提取出的特征对预训练模型进行调优；
3）利用提取的特征向量和目标类别标签训练支持向量机；
4）利用Fast R-CNN 网络对目标框位置和大小进行精细回归,并训练回归器.
Faster R-CNN 在检测阶段也包括4 个步骤：
1）使用区域提议网络生成大量候选区域；
2）对每个候选区域用Fast R-CNN 网络进行特征提取,形成高维特征向量；
3）将这些特征量送入一个线性分类器计算属于某个类别的概率,作为分类依据；
4）利用Fast R-CNN 网络对目标框的位置和大小进行精细回归.
利用Faster R-CNN 经过上述训练过程得出训练模型后,便可以利用得到的模型进行识别检测.
二、基于Faster R-CNN 方法的绝缘子故障检测
2.1 网络训练过程
本文结合绝缘子的故障情况,利用Faster R-CNN 方法设计出一套检测算法流程,如图1 所示,详细的训练过程介绍如下：
1）预训练CNN 模型
区域提议网络和检测网络都需要对预训练的ImageNet网络进行初始化[8],通常采用的网络主要有ZFnet 网络（Zeilerand Fergus）[8] 和VGG16 网络[10]（Simonyan and Zissermanmoda）.因本文数据集规模较小,故选用ZFnet 网络.利用ILSVRC 2012 图形分类任务中的训练数据（120 万张图像,1000 类）对ZFnet 模型进行预训练.
2）区域提议网络训练
使用上一步预训练的ZFnet 模型初始化区域提议网络,然后利用绝缘子训练数据集进行区域提议网络训练.区域提议网络以任意大小的样本图像为输入,输出可能包含绝缘子的方框.
3）Fast R-CNN 检测网络训练
利用步骤（1）预训练的ZFnet 模型初始化Fast R-CNN检测网络,然后利用步骤（2）生成的区域提议结果训练独立的Fast R-CNN 检测网络.Fast R-CNN 检测网络以任意大小的图像为输入,通过特征层可以计算出某个区域框属于绝缘子的概率.
4）2 个网络的CNN 共享调优
利用步骤（3）训练的检测网络来初始化区域提议网络,并固定共享的深度卷积层,对区域提议网络的特殊部分进行调优.
2.2 检测识别过程
由上面的训练可知,2 个网络共用同一个5 层的卷积神经网络,这使整个检测过程只需完成系列卷积运算即可完成检测识别过程.
检测识别的具体实现步骤为：
1）对绝缘子图像进行系列卷积运算,得到绝缘子特征图；
2）区域提议网络在特征图上生成可能包含绝缘子的大量候选区域框；
3）对候选区域框进行非最大值抑制[11],保留得分较高的前300 个框；
4）利用特征图上候选区域框内的特征形成高维特征向量,由Fast R-CNN 检测网络计算类别得分,并预测出更合适的绝缘子框位置.
三、结果与分析
3.1 训练数据集构建
数据集来源于无人机拍摄的图像,图像大小为.本次试验,训练集包括1500 张正样本图像,1500 张负样本图像,共3000 张；测试集包括500 张正样本图像,500 张负样本图像,共1000 张.
3.2 实验结果
本文使用Caffe 框架实现卷积神经网络模型, 使用Nivdia Titan XP GPU 进行卷积运算,研究了多个Faster R-CNN参数对识别准确率的影响.由表1 可以看出,当dropout 的比例从0.2 增大至0.8 时,准确率总体上呈下降趋势,但是在0.6 时有一个最高值.
令dropout 为0.6,测试nms 前后候选区域个数对准确率的影响,结果如表2.由表2 可以看出,随着nms 数量的减少,准确率也逐渐减小,因此较高的nms 可以得到较好的检测结果.
令nms 前后候选区域个数分别取2000 和300,测试批尺寸对准确率的影响,结果如表3 所示.由表3 可以看出,随着批尺寸逐渐变小,准确率逐渐增大.
实验结果表明,利用深度学习方法可以实现诸如绝缘子脱落等的故障检测.
四、结论
本文在分析Faster R-CNN 方法的基础上,验证了利用Faster R-CNN 深度学习算法对绝缘子识别的准确性和速度,并分析了不同参数对检测结果的影响.实验表明,利用GPU计算单元可以实现绝缘子实时检测和识别,可为后期无人机巡检图像的智能化处理及巡检无人机的精确拍摄奠定良好的基础.
此外,根据深度学习的特点,构建更大的样本库可以进一步提高准确率.下一步的工作是构建更大的数据集,更精细的识别类别,从而能检测更多的故障.
参 考 文 献
[1]苑津莎, 崔克彬, 李宝树. 基于ASIFT 算法的绝缘子视频图像的识别与定位[J]. 电测与仪表,2015,7(7):106-112.YUAN Jinsha, CUI Kebin, LI Baoshu. Identification and location of insulator video images based on ASIFT algorithm[J]. Electrical Measurement &Instrumentation, 2015,7(7):106-112.
[2] 吴庆岗. 复杂背景输电线图像中部件边缘提取算法研究[D]. 大连: 大连海事大学,2012.WU Qinggang. Study on the algorithm for edge extraction of components in power line images with complex backgrounds[D]. Dalian: Dalian MaritimeUniversity, 2012.
[3] 金立军, 胡娟, 闫书佳. 基于图像的高压输电线间隔棒故障诊断方法[J]. 高电压技术,2013,39(5):1040-1045.JIN Lijun, HU Juan, YAN Shujia. Method of spacer fault diagnose on tranission line based on image procession[J].High Voltage Engineering,2013,39(5):1040-1045
[4]曹婧. 航拍输电线路图像中绝缘子部件的提取[D]. 大连: 大连海事大学,2012.CAO Jing. Extraction of insulator components in aerial tranission line images[D]. Dalian: Dalian Maritime University, 2012.
[5] Girshick R, Donahue J, Darrell T, et al. Region-based convolutional networks for accurate object detection and segmentation[J]. IEEETransactions on Pattern Analysis and Machine Intelligence, 2016,38(1):142-158.
[6] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on PatternAnalysis and Machine Intelligence, 2015,37(9):1904-1916.
[7] Girshick R. Fast R-CNN[C]. International Conference on Computer Vision, 2015.
[8] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[C]. Neural InformationProcessing Systems, 2015.
[9] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[J]. Springer International Publishing, 2014, 8689:818-833.
[10] Simonyan K, Zisserman A. Very Deep Convolutional networks for large-scale image recognition[C]. Internatio-nal Conferenceon on LearningRepresentations, 2015.
[11] NeubeckA, Van Gool L. Efficient non-maximum suppression[J]. International Conference on Pattern Recognition,2006,3:850-855.
故障检测论文参考资料：
该文汇总:上述文章是关于经典故障检测专业范文可作为绝缘子和故障检测和输电线路方面的大学硕士与本科毕业论文故障检测论文开题报告范文和职称论文论文写作参考文献。
