目录
一、简介
1.1研究背景及研究现状
1.2研究任务
1.2.1绝缘子串珠分割
1.2.2绝缘子自爆识别和定位
1.3技术路线流程图
1.3.1模型训练流程图
1.3.2模型测试流程图
二、基本理论
2.1卷积神经网络
2.2全卷积神经网络
2.3残差连接
三、数据预处理
3.1掩膜图像二值化
3.2图像切分
3.3数据扩增
3.4数据集调整
3.5预处理流程图
四、绝缘子串珠分割
4.1图像分割算法
4.1.1Unet 网络
4.1.2Segnet 网络
4.1.3U-Segnet 网络
4.1.4改进的U-Segnet 网络
4.2图像分割技术路线
五、连通区域检测
5.1连通域标记与面积计算
5.2面积阈值的计算
六、图像分割结果分析
6.1实验环境
6.2评价指标
6.3实验过程及结果分析
6.3.1训练超参数设置
6.3.3 结果分析
七、目标检测数据预处理
7.1数据采集
7.2人工标注
7.3绝缘子提取

7.4数据增强
八、目标检测
8.1YOLO v3 算法基本原理
8.2目标检测技术路线
九、实验及结果分析
9.1评价指标
9.2实验过程及结果分析
十、总结与展望
10.1本文工作总结
10.2未来工作展望
参考文献
附录 26

一、简介

1.1研究背景及研究现状

为了保证输电线路的安全、可靠运行，电网运行部门需要定期对输电线变电系统进行巡检、维修以及维护来确保消除故障或者隐患。随着我国经济的高速发展，对电力输电网设备等基础设施的安全运营也提出了更高的要求。架空线路巡检作为保障输配电网正常运行的重要手段之一，一直以来都面临着网线分布广、设施布置复杂，巡线作业强度大、周期长，部分区域自然环境复杂恶劣等问题。传统的电网巡查方式是通过人工进行巡检的，该方法存在以下几个问题。

① 劳动强度大，工作效率低，在危险地段会危及到巡查工人的生命安危。

② 人工录入数据量大，而且录入过程容易出错。

③ 对于工人是否巡查到位无法进行有效的管理，巡查质量不能得到保障

近年来由于无人机或者智能机器人技术的飞速发展，考虑通过拍摄的大量电力设备及线路的现场图片代替人工巡检，其基本工作流程如下。

① 划定无人机工作区域，设定巡查时间。

② 无人机飞达指定区域，进行图片拍摄（要求尽可能达到 360°全方位）。

③ 分析无人机拍摄的图片，并进行问题标注，反馈至调度中心。

④ 调度中心根据问题，安排对应人员进行检修。

但是由于无人机拍摄图片数目多（单个高架塔拍摄图像大于 300 张），尺寸大（4096*2160），人工进行一张图片标注就需要 5-10 分钟，工作量巨大。同时执行标注工作的相关人员极易用眼疲劳，从而导致漏标，错标。鉴于以上情况， 考虑使用图像处理与机器学习（深度学习）的方法，对图片进行标注。

1.2研究任务

架空输电线路巡视主要巡视内容包括：杆塔、导线及避雷线、导线及避雷线的固定与链接、绝缘子、拉线、杆上开关设备、沿线路附近的其他工程等 7 大项内容。以上 7 大项内容中的每一项都还有子项，检查内容繁多，流程繁琐。为了能够先行探索出切实有效的步骤，本次任务以绝缘子巡视中的绝缘子自爆这一故障为目标，主要实现以下两部分内容。

1.2.1绝缘子串珠分割

由于无人机图片较大一般为（4096*2160），绝缘子串珠占据图片中很小的一部分区域，需要设计图像分割算法，对绝缘子串珠坐在的区域进行分割。参赛者需要标记出所给样例每幅图像中的标记绝缘子串珠区域的掩模图像。掩模区域仅整个绝缘子串珠。

1.2.2绝缘子自爆识别和定位

根据分割图像初步识别绝缘子所在的位置，并对绝缘子串珠进行分割，而后参赛者根据所给出的标记样本的 Ground Truth 构建自爆绝缘子识别模型。参赛者利用训练模型对图像中的自爆绝缘子位置进行检测，并利用 BoundingBox 对其进行标记。自爆标记需包括自爆位置周围 2 个完好绝缘子。

1.3技术路线流程图

1.3.1模型训练流程图

图 1 模型训练流程图

1.3.2模型测试流程图

图 2 模型测试流程图

二、基本理论

2.1卷积神经网络

卷积神经网络(CNN)是一种具有稀疏连接和权值共享的深度神经网络模型， 其权值共享的模式减少了训练参数，降低了复杂度，使其变得简单且适应性强， 近年来引起众多科学领域的广泛关注。卷积神经网络直接以图像作为输入，避免 了传统方法提取特征的过程，在图像处理上可保留像素的空间位置关系。其网络 结构对图像的平移、比例缩放、旋转等其他形式的形变具有高度不变性。在卷积 层中，卷积核的作用等同于滤波器，由于 RGB 色彩模式的图像每个通道等同于一个二维矩阵，所以卷积层通过滑动窗口的方式将卷积核与输入图像的每个通道 进行卷积操作，提取出不同类型的特征，称为特征图(feature map, FM)，特征图的个数和卷积核的个数相同；池化层又称为子采样层(sub-sampling layer)，通过池化操作对数据进行降维，缩小输入数据规模，减少计算量，通常有最大池化、平均池化和随机池化等计算方式;由于卷积和下采样操作造成特征图分辨率降低， 所以利用反卷积层通过插值运算将特征图恢复到输入图像大小，然后输出为二维 矩阵，矩阵的值表示某个像素归属为某一类的概率。卷积网络通过误差反向传播 算法周期性地更新卷积核的权重实现进行求解优化，通过卷积网络模型在数据集 上的误差和精确度确定网络优化程度。

2.2全卷积神经网络

传统的卷积神经网络只能整幅图像进行分类，也就是说只能解决图像识别问题 。全卷积神经网络(FCN)与经典的 CNN 在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层 + softmax 输出）不同，FCN 可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的 feature map 进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类，最后逐个像素计算 softmax 分类的损失, 相当于每一个像素对应一个训练样本，从而解决了图像分割问题。

2.3残差连接

在深度学习中，卷积网络的深度是获得优异性能的重要因素，深层的网络能 够提取到更高级别的特征信息，但随之引起的梯度弥散问题却导致网络无法收敛， 甚至网络退化问题，即增加网络层次反而会导致更大的误差。为了解决该问题，文献[1]通过在一个浅层网络基础上叠加

标签：泰迪杯,卷积,模型,论文,分割,网络,特等奖,图像,绝缘子
来源： https://blog.csdn.net/weixin_47922824/article/details/110793019