核心詞：RS485 電纜 基于 深度 學習 模型 稀疏 表示 絕緣子 狀態 分類 
　　為了保證高壓輸電線路系統的穩定,定期檢查絕緣子是基本的維護程序,這些任務只能由專業人員來完成,并且伴隨著巨大的安全風險。輸電線路絕緣子狀態檢測的任務可分為兩個方面:檢測:對采集到的航拍圖像進行絕緣子的檢測和定位;分類:診斷絕緣子狀態。因此,對這些數據圖像進行狀態自動評估可以大大提高功率檢測的效率。
　　1、然而
　　然而,目前大多數傳統的人工特征仍在使用,如HOG、SIFT、輪廓提取算法等。其基本思想是假設圖像可以由預定義的超完備字典中的幾個原子線性表示。從實驗結果可以看出,深度學習模型對于圖像處理具有良好的性能,可以為分類任務提供更好的特征。同時,稀疏表示的魯棒性也保證了狀態分類的準確性。
　　2、RCNN雖然取得了良好的效果
　　雖然RCNN取得了很好的效果,但是它也有一些明顯的缺點,比如候選框數量過多,訓練時間長,RS485電纜很多候選框相互重疊,導致計算重復。
　　3、此外
　　此外,由于大部分絕緣子暴露在現場,缺陷絕緣子與大量正常絕緣子混在一起,依靠人工識別缺陷絕緣子耗時較長,容易漏檢。近年來,國內外學者對絕緣子的狀態評估進行了大量的研究。將圖像送入預訓練的ResNet網絡,提取SoftMax層之前的pool5層的2048維特征,然后采用稀疏表示框架進行分類。
　　4、同時
　　同時,稀疏表示具有較高的精度和優異的遮擋處理性能。為了消除輸電線路復雜背景的影響,需要對絕緣子組件進行目標檢測,而基于區域選擇的RCNN系列算法是目前目標檢測的經典算法。因此,有必要利用圖像處理技術對絕緣子狀態進行自動分類。為了進一步對絕緣子進行分類,必須獲得更好的圖像特征。
　　5、最近的研究表明
　　最近的研究表明,網絡深度是關鍵,但傳統的網絡疊加在網絡深度時效果較差。但是,這些方法往往針對特定的場景,精度和可擴展性較低。該任務受卷積神經網絡的啟發,首先利用卷積特征對絕緣子進行定位,然后使用ftF-RCNN對絕緣子進行定位和切割,然后通過ResNet提取圖像特征,最后使用稀疏表示分類器對絕緣子進行分類。傳統的檢測圖像分析采用人工方法,成本高,效率低。在本文中,我們使用ftP-RCNN算法和在Imagenet上預先訓練的ZFnet模型來檢測絕緣子。何開明提出的深度剩余網絡在2015年ImageNet大賽中獲得一等獎。
　　6、常用的方法是利用絕緣子顏色形態特征和閾值分割算法對絕緣子進行分割和提取
　　常用的方法是利用絕緣子顏色形態特征和閾值分割算法對絕緣子進行分割和提取。近年來,深度神經網絡特別是卷積神經網絡在大規模圖像分類任務中表現出了優異的性能。它們可以自動學習圖像特征,并從圖像中獲取更多有用的特征。隨著智能電網的發展,對設備狀態識別的準確性和實時性提出了更高的要求。目前,最常用、最有效的檢測方法是利用直升機或遙控無人機沿輸電線路飛行,獲取大量的視頻和圖像。下一步,將擴展樣本庫,實現更多狀態絕緣子的分類,并嘗試其他網絡模型和算法,以提高魯棒性和實用性。本文充分利用深度學習模型和稀疏表示的優點,實現了絕緣子的狀態分類。Razavian等人提出,從Imagenet大規模圖像中訓練出的卷積神經網絡可以為不同的任務提取出更具有代表性的特征。其中,α=T∈RN相對于人工特征具有更高的精度,絕緣子狀態分類比較結果如表1所示。通過在輸入和輸出之間引入一個快捷連接,而不是簡單的堆疊網絡,可以解決由于網絡深度而導致的梯度消失的問題,然后可以將網絡構造得非常深,
　　如果您對“RS485電纜基于深度學習模型與稀疏表示的絕緣子狀態分類”感興趣，歡迎您聯系我們