基于航拍图像的绝缘子识别与状态检测方法研究

摘要

电力绝缘子作为电力网络不可或缺的设备，维护其安全的运行具有至关重要的意义。由于绝缘子数量大，分布广，所以基于航拍图像的绝缘子状态检测具有重要的现实意义。根据航拍绝缘子图像，能够快速准确的对运行电网中的绝缘子状态进行检测和维护。本文基于航拍绝缘子的特点以及图像处理技术，深入研究了航拍绝缘子图像的区域划分，特征描述以及目标提取等方法，并且优化了人工智能目标检测的方法。主要研究工作如下:
　　按照航拍绝缘子图像的特点，需要找出状态正常绝缘子图像与故障绝缘子图像的差异，根据差异大小判断绝缘子状态;故图像差异度量直接影响绝缘子状态判别的准确性。本文提出了基于隶属函数的差异度衡量方法，为事物的差异度的定量衡量提供了借鉴。深入分析事物差异的性质，将模糊数学中的隶属函数引入到差异的定量衡量中，找到差异度与隶属函数质之间的关系，并通过实例分析，表明该差异度的衡量更加能够准确的度量差异。
　　针对尺度不变特征变换方法中寻找的关键点没有实际的物理意义、变换方法计算复杂度高的缺点，提出了基于差异度的改进尺度不变特征变换方法。根据差异度矩阵的描述，对特征点的差异值进行提取，得到了差异值矩阵。分析和实验结果表明，此算法可以有效的匹配图像，在同等的可重复率条件下，有效降低了匹配误差和计算复杂度。
　　提出了基于差异值的图像区域划分方法和图像特征向量描述方法，区域划分方法采用改进的最大类间方差方法，将灰度值转化为差异值，根据差异值进行了图像的有效分割;根据图像分割区域，对特征点进行特征向量描述，分别提出了单区域特征描述和多区域联合特征描述，并推导证明了其不变特性。
　　根据深度信念网络中深度受限玻尔兹曼机模型，从信息熵最大化的角度分析推导，得出了层次数确定准则和权值分布特征，根据此准则和特征，可以有效降低算法的复杂度，并且减少了训练时间。针对深度信念网络收敛慢的缺点，提出了一种利用各态历经随机特性，采用图像线性叠加处理，加快深度神经网络收敛速度的方法，从而提高了学习效率，实验验证了其计算复杂度显著降低，并且识别效果较优。

目录

声明

摘要

第1章 绪论

1．1 课题的研究背景及其意义

1．2 绝缘子识别与状态检测研究现状

1．2．1 电力航拍巡检现状

1．2．2 绝缘子检测方法研究现状

1．2．3 航拍图像提取研究现状

1．2．4 航拍绉缘子图像识别方法

1．3 论文的主要研究内容

第2章 基于模糊数学的差异衡量方法

2．1 差异度及其衡量

2．2 差异度衡量方法

2．2．1 差异度衡量的数学基础

2．2．2 差异度的平均度量

2．2．3 差异度的加权度量

2．3 差异度量方法对比

2．3．1 相似性度量

2．3．2 利用相似度度量差异度方法

2．3．3 差异度量方案对比

2．4 本章小结

第3章 基于差异特征的改进SIFT算法研究

3．1 传统SIFT算法特征提取

3．1．1 构建尺度空间

3．1．2 计算关键点

3．1．3 剔除不对称特征点

3．1．4 构建特征向量

3．1．5 图像特征匹配

3．2 差异度SIFT算法

3．2．1 差异度的矩阵表示

3．2．2 提取特征点差异值

3．3 实验结果对比及分析

3．3．1 可重复率

3．3．2 匹配误差

3．3．3 计算复杂度

3．4 本章小结

第4章 图像区域特征提取与描述

4．1 差异值区域划定方法

4．1．1 区域生长法

4．1．2 最大类间方差法

4．1．3 实验与分析

4．2 图像特征描述

4．2．1 特征矢量生成

4．2．2 特征向量不变性

4．2．3 多区域特征描述

4．3 实验验证

4．3．1 目标提取识别

4．3．2 图像识别举例

4．4 本章小结

第5章 深度信念网络学习算法

5．1 深度神经网络算法及研究现状

5．2 深度信念网络模型

5．3 深度信念网络模型层次研究

5．3．1 深度受限玻尔兹曼机层次趋势研究

5．3．2 层次权值意义

5．3．3 网络层数确定准则

5．4 快速学习算法

5．4．1 DBN提取图像空间信息

5．4．2 多样本线性叠加快速学习改进算法

5．4．3 LSMI算法收敛指标

5．5 LSMI算法效率检验与分析

5．5．1 基于ORL图像空间信息研究

5．5．2 LSMI算法性能

5．6 基于差异的稀疏化(D-DBN)图像分类算法

5．6．1 基于D-DBN的绝缘子故障识别方法

5．6．2 实验结果与分析

5．7 基于航拍图像的故障识别

5．8 本章小结

第6章 航拍绝缘子图像目标识别应用

6．1 绝缘子图像识别

6．2 绝缘子故障检测

6．3 不同颜色的绝缘子种类识别

6．4 绝缘子放电痕迹的识别

6．5 电力线故障指示器状态识别中的应用实验

6．6 本章小结

第7章 结论与展望

7．1 结论

7．2 展望

参考文献

攻读博士学位期间发表的论文

攻读博士学位期间参加的科研工作

致谢

作者简介