基于深度学习的变电站设备锈蚀程度识别

摘要

目前，随着科技快速发展和社会需求的不断提高，国内变电站数量急剧增加，对变电站锈蚀设备的检测难度也随之提高。由于变电站现场环境复杂多变，使用传统的图像处理技术已无法满足机器人智能检测设备锈蚀状况的需求，研究高性能的变电站设备锈蚀检测技术成为迫切且极具挑战的任务。基于深度学习的图像处理算法能够有效解决区域语义映射问题，为实现智能识别锈蚀设备提供了新的解决方案。为此，本文基于深度学习理论知识，展开了基于深度学习的变电站设备锈蚀检测研究，具体内容如下：　　1.建立有监督学习的变电站设备锈蚀数据集：通过分析变电站中常见的户外设备锈蚀图像，本文针对各类设备锈蚀部位的表现特征，制定了对应的标注方案，构建具备语义标签的变电站设备锈蚀目标检测数据集。同时详细阐述了建立数据集的相关过程，包括原始数据采集，数据集制作、数据划分等三个部分。最后本文使用OpenCV对数据集进行了多种方式的数据增广。　　2.研究卷积神经网络的图像处理技术，给出了一种基于区域建议网络的目标检测模型，并在自制的变电站设备锈蚀数据集上进行训练。实验结果证明了基于深度学习的目标检测网络相较于传统统计学方法的优越性，为后续改进奠定了基准。　　3.针对设备锈蚀检测模型难以检测中小锈蚀目标的问题，本文提出了一种基于尺度优化的分析方法。通过统计变电站设备锈蚀数据集中各类锈蚀目标的尺寸分布以及各种检测框的比例分布，定向优化区域建议网络的参数设定。并通过实验验证该方法的有效性。在部分卷积层中，使用多个小尺寸卷积核代替原有的大尺寸卷积核，减少网络参数，提高网络运行速度。针对现实场景里中小尺寸的锈蚀目标通常聚集出现的特点，改进了区域建议网络中的筛选算法，保留多尺度锚框的特征信息，提高模型对于中小目标的检测能力。

目录

声明

第一章绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 传统目标检测算法

1.2.2 基于深度学习的目标检测算法

1.3 研究目标和内容

1.4 结构安排

第二章基础理论与相关技术

2.1 卷积神经网络的基本结构

2.1.1 卷积层

2.1.2 池化层

2.1.3 全连接层

2.1.4 激活函数层

2.1.5 损失函数

2.2 网络学习过程

2.2.1 前向传播过程

2.2.2 反向传播过程

2.3 优化方法

（1） 批量梯度下降法

（2） 随机梯度下降法

（3） 动量梯度下降法

（4） 学习率自适应梯度下降法

2.4 常见的卷积神经网络模型

2.4.1 目标检测网络

2.4.2 图像分割网络

2.5 本章小结

第三章基于尺度优化的目标检测网络

3.1 基于区域建议的目标检测网络

3.1.1 图像预处理

3.1.2 特征提取模块

3.1.3 区域建议网络

3.1.4 语义分割与目标检测

3.1.5 损失函数

3.2 基于尺度优化的目标检测网络

3.2.1 基于识别目标尺度分析的优化策略

3.2.2 特征提取网络的尺度优化策略

3.2.3 非极大值抑制算法改进策略

3.3 迁移学习

3.4 本章小结

第四章实验过程和结果分析

4.1 实验环境

4.2 数据集准备与处理

4.2.1 原始数据采集

4.2.2 数据集制作

4.2.3 数据集处理

4.2.4 数据增广

4.3 评价标准

4.4 实验参数设置

4.5 实验过程和结果分析

4.6 本章小结

结论与展望

致 谢

参考文献

攻读硕士学位期间论文以及科研项目情况