核心词：
btly 电缆 卷积 网络 绝缘子 损伤 智能 识别 算法 研究 使用高压线进行电能传输是现如今社会电能的重要途径,其中500kV及以上的电压传送必须要依靠稳定的高压线传输设备,其具有较强的电力传送能力。由于绝缘子长期的裸露在空气中,雨水的冲刷和太阳的暴晒都会导致绝缘子的破损,轻则导致部分区域的停电干扰人类的生活,重则会危害人类的生命财产安全。电力公司在绝缘体的破损检测方面投入了大量的人力物力,大多使用人工进行识别。这种方法虽然稳定可靠,但是却存在较高的风险。因此研究者们探究如何使用计算机视觉的方法,使用直升机拍摄绝缘体的图像,然后使用分类模型判断当前的图像中是否存在破损。
1、但不能弥补计算机感知到的图像语义特征与人类视觉神经感知到的信息之间的差距 传统的数字图像方法使用手动的图像特征提取算子抽取图像的局部特征,但并不能弥补计算计算机所感知到的图像语义特征和人的视觉神经所感受的信息之间的差距。幸运的是,近些年基于深度学习的卷积神经网络在计算机视觉领域取得了突破性的研究和进展。基于此,本文提出使用深度卷积网络对绝缘子的图像进行分类,判断当前的图像中是否存在绝缘子的破损。
2、本章首先介绍了基于深度学习的卷积神经网络的理论基础 本章首先介绍了基于深度学习的卷积神经网络的理论基础,然后详细阐述了本文提出的绝缘子图像分类算法。
3、卷积神经网络主要包括卷积层 卷积神经网络主要包含卷积层,池化层和全连接层。卷积层由若干个卷积核组成,主要用于提取图像的局部纹理特征,如颜色,梯度和纹理等信息。随着网络层次的加深,网络提取的图像特征从局部的细节转换到全局的语义信息。池化层用于对图像的特征图进行下采样操作,减少模型的参数规模提升参数的泛化能力。全连接层将卷积层提取的图像局部特征编码为全局的语义特征。在实际的应用中,卷积核的大小通常和滑动步长与扩充像素相匹配使得卷积操作不改变特征图的尺寸。在分类阶段,使用前向计算计算图像的分类误差,在反向传播阶段更新网络的权重。基于智能搜索的注意力机制使用一个或者若干个候选框在图像中智能的搜索,寻找出图像中对分类任务最重要的区域。基于智能搜索的候选框并非在全局图像中使用大小不同的方框在图像中从左到右从上到下的滑动,而是基于强化学习的策略梯度算法在全局的图像中智能的寻找对分类影响最重要的区域。基于强化学习的策略梯度算法使用固定的分布函数在原图像中采样若干个候选区域,然后将这些区域作为卷积网络的输入提取图像特征,将编码之后的图像局部特征和对应的局部区域的位置坐标进行拼接作为递归神经网络的输入学习这些图像块儿之间的依赖关系。网络最终的任务是:给定一副图像输出候选区域的采样分布,该分部多使用高斯分布表示采样区域的分布。考虑到在不同的图像中,受关注的区域的图像大小并不相同,如果直接输出图像的顶点坐标以及长和宽,会使得网络难以优化,
btly电缆因此直接输出关注区域的中心位置,同时使用不同大小的方框按照中心位置产生候选区域。特征提取模块儿:该模块首先将感知模块提取出的不同尺寸的图像缩放到统一的尺寸,然后将这些图像块儿作为卷积网络的输入,将图像编码为一维的特征向量。使用卷积网络提取图像的语义信息,解决了网络在局部区域看到了什么。
4、网络在最后一个模块中学习到的图像位置也被编码到与特征相同的维度 为了解决网络应该看哪里,因此将网络在上个模块学习到的图像位置也编码到与特征相同的维度,然后在进行拼接。将图像的局部语义特征和观察的位置进行拼接就解决了网络在给定的自然图像中,应该看哪里并且看到了什么。
5、采用长短记忆模型学习序列间的依赖关系 在优化模块儿问题中,使用长短记忆模型学习序列之间的依赖关系,使用策略梯度算法优化模型的损失函数。当滑动窗口中包含的物体类别为飞鸟的概率大于一定阈值,则对应奖励值为1,否则奖励值为-1。经过学习,网络能够识别出对图像分类最重要的区域。本文使用开源的深度学习框架Tensorflow实现卷积架构,使用python2.7版本实现本文的算法。为了加速网络的训练模型,本文涉及的网络模型均在NVIDIAGTX1070显卡上进行。网络的参数权重使用从ImageNet上训练学习到的参数进行初始化,批处理大小为10,将每张图像统一缩放为448x448的尺寸。网络的初始学习率为0.001,学习率每经过10000次训练后减小0.1倍,权重的衰减因子设定为0.0002,使用标准的批梯度下降算法优化目标函数,其中动量因子设定为0.95。图1表示使用策略梯度算法寻找出的最能影响图像分类的区域,及图像中的绝缘子区域。
6、从上图可以看出 从上图可以看出,本文所使用的注意力机制图像分类方法能够大致的寻找出感兴趣的区域。区别于物体检测,该任务需要对图像中出现物体的边框位置进行准确的定位,而注意力机制的图像分类方法的目的是找出分类结果影响最重要的区域,无需对边框进行定位。
7、可以看出 可以看出本文提出的基于策略梯度的注意力机制图像分类算法的精度为93%,分类精度较高于传统的图像分类算法。同时本文在Cifar10数据集上对注意力机制的分类算法进行评估,基于注意力机制的分类算法精度比传统的分类算法高出1个百分点。从图1的可视化结果和表1的分类结果可以看出,本文提出的注意力机制算法分类性能要高于传统的图像分类算法。基于绝缘子破损检测算法,本文提出使用基于深度学习的注意力机制图像分类算法。该算法基于强化学习的策略梯度算法,使用智能体在图像中滑动寻找对图像分类结果最为重要的区域,则认为该区域是绝缘体的大概区域。
8、实验表明 实验表明,本文所提出的基于注意力机制的图像分类算法能够应用到实际的场景。
如果您对“btly电缆基于深卷积网络的绝缘子损伤智能识别算法研究”感兴趣，欢迎您联系我们
