面向电力设备图片分类大数据应用的深度学习网络研究

摘要

近年来，电网中大量的传感以及检测设备产生规模巨大的数据，其中包括电气设备图像以及摄像机与无人机拍摄的视频。因此急需一个自动分类器对变压器、输变线路、铁塔等其他电气设备进行前期分类，为后续准确的评估负载能力、故障预测、状态评估以及风险估计做准备。
　　基于深度学习的分类器在人工智能领域近来被用来作为一个有效地机器学习工具。本文在深度学习引擎 CAFFE（Convolutional Architecture for Fast Feature Embedding）之上，提出了一个基于深度学习的图像分类架构用来分类来自电网设备的大量图像数据。在实现过程中我们通过实验发现一个构建的基于深度学习合格分类器需要用于训练的图像以类别乱序的方式输入，并且基于CAFFE的分类器只能处理图片大小与其输入层大小相同的图像。
　　为了消除这两点的缺陷，本文首次提出将一个预处理机制使用到基于深度学习的分类器。该机制提高了分类器的适应能力，使得分类器可以适应任意大小的图像的输入并且图像输入顺序也可以是任意的。预处理机制中图像处理模块的提取和区域加强部分使得分类器的训练的收敛时间减少以及训练速度的增加。接下来通过实验分析了影响分类器的几点因素，给出了提高分类器效能的几点方法。实验结果可以看出预处理机制的使用使得图像分类器的获得更高的识别率以及更少的训练时间。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1. 1研究背景与意义

1. 2国内外研究现状分析

1. 3论文的主要内容与章节安排

第二章 人工神经网络的关键技术研究

2. 1神经元与浅层神经网络

2. 2深度学习网络

2. 3本章小结

第三章 基于深度学习的图像分类器分析与设计

3. 1快速特征嵌入的卷积结构介绍

3.2基于CAFFE的图像分类器的设计

3. 3存在的问题以及改进

3. 4本章小结

第四章 预处理机制设计与实现

4. 1输入图像乱序发射

4. 2图像区域提取

4. 3图像增强

4. 4图像大小调整及格式化

4. 5本章小结

第五章 软硬件实验环境准备与数据采集

5. 1背景应用

5. 2软硬件工具

5. 3数据采集与产生

5. 4本章小结

第六章 实验结果与分析

6. 1浅层神经网络与深度学习对比

6. 2预处理系统对基于深度学习网络的分类器的影响

6. 3分类器训练集大小测试

6. 4分类器的训练速度测试

6.5 CPU与GPU模式下训练时间对比

6. 6深度学习方法在电网大数据平台中应用前景分析

6. 7本章小结

第七章 结束语

7. 1主要工作与创新点

7. 2后续研究工作

参考文献

致谢

攻读硕士学位期间已发表或录用的论文