论文部分内容阅读
电力设备红外图像识别是实现红外成像下电力设备状态监测和故障诊断的必要前提。在实际场景中,由于红外图像的成像特点、背景环境的复杂性以及电力设备自身的多样性和差异性,电力设备红外图像识别存在较大难度,基于人工特征的传统图像识别方法难以满足实际场景中电力设备红外图像识别的要求。而近年来兴起的以卷积神经网络为代表的深度学习技术由于能对输入进行由浅到深多层次的特征表征和端到端的学习,在图像识别的性能上显著优于传统方法。因此,本文对卷积神经网络在电力设备红外图像识别中的应用进行研究。考虑到实际场景中的电力设备红外图像识别是一个目标检测任务,先分析了将基于卷积神经网络的目标检测算法应用到电力设备红外图像识别面临的难点。然后针对难点,以基于特征金字塔网络(Feature Pyramid Network,FPN)的Faster R-CNN模型(本文简称为FP-FRCNN)为研究基础,通过分析FP-FRCNN存在的不足,对FP-FRCNN进行改进,最终所提出的基于改进FP-FRCNN模型的电力设备红外图像识别算法实现了电力设备红外图像高精度且较快速的识别。本文主要工作内容如下:(1)基于FP-FRCNN模型的电力设备红外图像识别算法研究。为了解决电力设备红外图像识别存在小尺寸设备较难识别以及视觉特征较难提取的问题,本文以对小目标具有较强识别能力的FP-FRCNN模型为研究基础,通过分析原始的FP-FRCNN模型存在的不足,对其进行改进:从增强模型特征提取能力角度出发,在模型的卷积主干网络部分使用密集连接结构并引入压缩激励结构;还从提升模型目标定位精度角度出发,使用Ro IAlign池化代替原来的Ro I Pooling池化。在自建的电力设备红外图像数据集上的实验结果表明,改进的FP-FRCNN模型能达到90.4%的m AP(mean Average Precision),相比原始FP-FRCNN模型提升5.7个百分点,且在GPU上能达到15帧/秒的识别速度。(2)电力设备红外图像识别系统的设计与实现。为将本文的研究成果直接应用于实际,本文还设计了一个电力设备红外图像识别系统。其由本地识别主系统和远程识别子系统两部分组成,可对保存于本地的或通过网络传输过来的电力设备红外图像进行精准识别,并将识别结果可视化,同时显示识别时间、目标数量等相关信息,具有一定的实用价值。