[电缆]基于深度卷积网络的保温缝智能识别算法研

　　高压电力线每天都会传输大量电能，以满足我们日常生活的需求。电能传输过程中产生的热量很少，这种热量和阳光，雨水等的影响会腐蚀电线表面。此基础上，提出了一种基于深度学习和卷积神经网络的绝缘子损伤检测算法。积网络由卷积层，池化层和全连接层组成，大量卷积核用于创建非线性映射函数，以学习图像之间的映射关系。口和标签。

　　
　　算法根据注意力机制自动提取隔离器的区域，然后将其用作卷积网络的输入，以确定当前输入图像是否损坏。验分析表明，基于卷积网络的隔离器损伤检测算法的准确性为93％，可以满足实际应用的要求。今，使用高压电力线进行能源运输是一种重要的社会营养手段，尤其是在电压大于或等于500 kV的情况下。于绝缘层长时间暴露在空气中，雨水的侵蚀和阳光的暴露会损坏绝缘层，这可能会导致某些区域断电并造成伤害为了人类生命和财产安全。力公司在检测绝缘损坏方面投入了大量的人力和资源，并且大多数使用人工识别。管此方法稳定可靠，但风险很高。究人员已经探索了使用计算机视觉通过直升机捕获绝缘图像的方法，然后使用分类模型来确定当前图像是否损坏。统的数字图像方法使用手动图像提取运算符来提取图像的局部特征，但是不能补偿图像感知到的图像的语义特征之间的差异。算机和人类视觉神经提供的信息。运的是，近年来，基于深度学习的卷积神经网络[1]导致了计算机视觉领域的进步和高级研究。此基础上，本文建议使用深度卷积网络对绝缘子的图像进行分类，以确定在当前图像中绝缘是否受损。章首先介绍了基于深度学习的卷积神经网络的理论基础，然后开发了本文提出的绝缘图像分类算法。
　　积神经元网络主要包括卷积层，池层和完全连接层。积层由几个卷积核组成，主要用于提取图像的局部纹理特征，例如颜色，电缆渐变和纹理。着网络层次的加深，网络检索到的图像特征将从本地详细信息转换为全局语义信息。组层用于对图像的特征图进行下采样，以降低泛化模型参数大小的能力。

　　连接层将卷积层提取的图像的局部特征编码为全局语义特征。实际应用中，卷积核的大小通常适合于滑动步长和扩展像素的大小，因此卷积运算不会改变功能图的大小。分类阶段，使用下游计算来计算图像的分类误差，并在反向传播阶段更新网络权重。于搜索的智能注意力机制[2]使用一个或多个候选框在图像中进行智能搜索，以找到图像最大的区域用于分类任务。于智能搜索的候选框不会使用整个图像中不同大小的框在图像中从左到右从上到下滑动，而是基于强化学习可智能搜索整体图像中的分类。配最重要的区域。化学习策略梯度算法[3]使用固定分布函数对原始图像中的多个候选区域进行采样，然后提取这些区域作为卷积网络的输入。提取图像的局部特征和相应的局部区域。置坐标被拼接为递归神经网络的输入，以了解这些图片块之间的依赖性。络的最终任务是提供图像输出候选区域的样本分布，该样本分布使用高斯分布来表示采样区域的分布。知模块：该模块的基本功能是离开候选区域的中心区域。虑到关注区域的图像的大小在不同的图像中是不同的，因此，如果顶点的坐标以及图像的长度和宽度被直接传输，则网络难以优化。
　　此，直接发布感兴趣区域的中心位置，并使用不同的大小。子根据中心位置产生一个候选区域。征提取模块：该模块首先缩放检测模块提取的不同大小的图像，然后使用卷积网络的这些输入图像块将图像编码为矢量一维特征。用卷积网络从图像中提取语义信息可以解决网络在本地看到的问题。了解决网络应检查的问题，网络在前一个模块中学习到的图像位置也将以与功能相同的维度进行编码，然后进行拼接。像的局部语义特征和观察到的位置的拼接解决了网络应该在给定的自然图像中看到和看到的东西。习模块：在上面的两个模块中，我解决了网络具体看到的内容。优化模块问题中，长短记忆模型用于学习序列之间的依赖关系，策略梯度算法用于优化模型损失函数。包含在滑动窗口中的物体的类别是鸟的概率大于某个阈值时，对应的奖励值为1，否则奖励值为-1。习后，网络能够识别出最重要的图像分类区域。文使用Tensorflow开源深度学习框架[4]来实现卷积架构，并使用Python2.7版本来实现本文的算法。了加速网络学习模型，本文档中涉及的网络模型均在NVIDIA GTX 1070显卡上运行，并使用训练程序中的参数初始化网络参数权重。ImageNet：批处理大小为10，每个图像均按比例缩放为448x448。络的初始学习率是0.001，在进行10，000次锻炼后，学习率将降低0.1倍，电缆并且加权衰减因子设置为0.0002。用标准批量梯度下降算法优化目标函数，脉冲因子设置为0.95。1显示了使用策略梯度算法最有可能影响图像分类的区域，以及图像的绝缘区域。上图所示，本文中使用的注意力机制图像分类方法可用于近似感兴趣区域。对象检测不同，此任务需要精确定位图像中出现的对象框的位置。
　　意机制的图像分类方法的目的是搜索区域最重要的是受分类结果的影响，而无需定位框架。1显示了Cifar10和绝缘子的分类精度。以看出，本文提出的基于策略梯度的图像分类算法的精度为93％，并且分类精度高于传统的图像分类算法。时，本文对Cifar 10数据集上的注意力机制的分类机制进行了评估，基于注意力机制的分类算法的精度比传统的注意力机制高1％。统分类算法。以看到图1的可视化结果和表1的分类结果。文提出的注意力机制算法的分类性能优于传统的图像分类算法。于绝缘损伤检测算法，提出一种基于深度学习的基于注意力机制的图像分类算法。算法基于强化学习策略梯度算法：当使用代理扫描图像以找到最重要的区域作为分类结果时，该区域被认为是绝缘的大致区域。验表明，本文提出的基于注意力机制的图像分类算法可以应用于真实场景。
　　本文转载自
　　电缆 https://www.haoluoyi.com