×
严斌;陈青;耶，快跑;周晓佳

基于卷积神经网络的爆炸绝缘子检测与识别。 （英语） Zbl 1408.94746号

国际小波多分辨率。Inf.流程。 17，第2号，文章ID 1940008，22 p.（2019）.
摘要：配备高清（HD）摄像头的无人机（UAV）可以获得大量详细的检查图像。绝缘子是输电线路中不可缺少的部件。快速准确地检测图像视频中的绝缘子，可以为无人机靠近杆塔和输电线路的测距和避障飞行提供可靠的依据。同时，绝缘子的多重故障对电网安全构成了严重威胁，应充分利用计算机技术进行故障诊断。通过构造卷积神经网络（CNN），实现了复杂空中背景下绝缘子图像的检测，该网络具有五个卷积和池模块、两个完全连接层模块的经典结构。本文提出了一种基于显著性检测的爆炸故障识别算法，该算法利用训练好的网络模型提取特征。然后，将显著性图放入自组织特征映射（SOM）网络中，通过超像素分割、轮廓检测等图像处理方法建立数学模型。测试表明，该算法可以减少人工分析可能引起的误差。还表明，绝缘子的检测和爆炸故障的识别可以有效地提高效率和智能化水平。

引用于2文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别

关键词：

卷积神经网络;绝缘体;爆炸;侦查;识别

软件：

卡费;更快的R-CNN;AlexNet公司;超级有线电视新闻网;ImageNet公司
PDF格式BibTeX公司 XML格式引用
\textit{B.Yan}等人，《国际小波多分辨率》。信息处理。17，第2号，文章ID 1940008，22 p.（2019；Zbl 1408.94746）
全文： 内政部

参考文献：

[1] Achanta，R.等人，SLIC超像素与最先进的超像素方法的比较，IEEE Trans。模式分析。机器。Intell.34（11）（2012）2274-2282。
[2] Achanta，R.等人，SLIC超像素与最先进的超像素方法的比较，IEEE Trans。模式分析。机器。Intell.34（11）（2012）2274-2282。
[3] Ayala，H.V.H.等人，基于新型贝塔差分进化方法的图像阈值分割，专家系统。申请42（4）（2014）2136-2142。
[4] Cao，W.et al.，《无人机巡检用高压输电线检测》，IEEE/ASME国际协调会高级智能机电一体化（AIM）（IEEE，澳大利亚新南威尔士州伍伦贡，2013），第554-558页。
[5] Triggs，B.和Dalal，N.，人类检测定向梯度直方图，IEEE Conf.计算机视觉与模式识别（CVPR05）（CVPR）（加州圣地亚哥，美国，2005），第886-893页。
[6] Fang，T.等人，输电线路图像上的快速绝缘控制检测算法，应用。机械。材料201-2002（2012）337-343。
[7] Felzenszwalb，P.F.等人，使用区分训练的基于零件的模型进行目标检测，IEEE Trans。柔和。工程32（9）（2010）1627-1645。
[8] Ghodrati，A.等人，《深度提议：通过级联深度卷积层搜索物体》，2015年IEEE国际计算机视觉会议（ICCV）（智利圣地亚哥，2015），第2578-2586页。
[9] Girshick，R.等人，《精确目标检测和语义分割的丰富特征层次》，2014年IEEE计算机视觉和模式识别会议（CVPR）（美国俄亥俄州哥伦布，2014），第580-587页。
[10] Girshick，R.，Fast R-CNN，IEEE Int.Conf.Computer Vision（IEEE，智利圣地亚哥，2015），第1440-1448页。
[11] He，S.等人，《SuperCNN:用于显著目标检测的超像素卷积神经网络》，国际计算机杂志。见115（3）（2015）330-344。
[12] 黄晓宁，张振林，一种从直升机巡检航拍图像中提取绝缘子图像的方法，电力系统。《技术》34（1）（2010）194-197。
[13] Huang，L.和Zhang，Y.，应用深层卷积神经网络进行交通标志识别，Mod。电子。技术.2015（13）101-106。
[14] 黄国强，任伟强，谭天南，图像目标分类与检测综述，中国。《计算杂志》37（06）（2014）1225-1240。
[15] Ji，S.，Yang，M.和Yu，K.，人类行为识别的3D卷积神经网络，IEEE Trans。模式分析。机器。Intell.35（1）（2013）221-231。
[16] Jia，Y.et al.，《Caffe:快速特征嵌入的卷积体系结构》，ACM国际会议多媒体（ACM，纽约，纽约，美国，2014），第675-678页。
[17] Karpathy，A.等人，《利用卷积神经网络进行大尺度视频分类》，IEEE Conf.Computer Vision and Pattern Recognition（2014），第1725-1732页。
[18] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.，深度卷积神经网络的ImageNet分类，高级神经信息处理。系统25（2）（2012）2012。
[19] Kuo，W.、Hariharan，B.和Malik，J.，《Deep box：卷积网络的学习对象性》，2015 IEEE Int.Conf.Computer Vision（ICCV）（智利圣地亚哥，2015），第2479-2487页。
[20] Li，Y.et al.，基于深度卷积神经网络的显著性检测，J.Image Graph.21（01）（2016）53-59。
[21] Liu，J.Y.，Bao Shu，L.I.和Tong，W.G.，航空绝缘体图像的提取和识别，Sens.World15（12）（2010）22-24。
[22] Maraba，L.、Al Hamouz，Z.和Al Duwaish，H.，使用图像处理和人工神经网络相结合的高压绝缘子污染估计，电力工程和优化会议（IEEE，马来西亚兰卡威，2014），第214-219页。
[23] Mei，X.等人，《基于改进分水岭算法的绝缘子表面污垢图像检测技术》，电力与能源工程会议（IEEE，中国上海，2012），第1-5页。
[24] 赵志伟，乐伟，架空绝缘子串图像自动定位方法，中国科学出版社。研究所，35（3）（2014）558-565。
[25] Oberweger，M.、Wendel，A.和Bischof，H.，《电力线绝缘子的视觉识别和故障检测》，第19届计算机视觉冬季研讨会Zuzana Kukelová和Jan Heller Křtiny（捷克共和国，2014年2月3日至5日）。
[26] Qin，Y.et al.，《通过细胞自动机进行显著性检测》，2015 IEEE Conf.Computer Vision and Pattern Recognition（CVPR）（美国马萨诸塞州波士顿，2015），第110-119页。
[27] Sermanet，P.等人，《无监督多阶段特征学习行人检测》，IEEE计算机视觉与模式识别会议（2013），第3626-3633页。
[28] Shan，C.等人，《通过图像处理对绝缘子进行缺陷检测的方法》，中国城市大学学报，21（4）（2010年）。
[29] Simonyan，K.和Zisserman，A.，《用于大规模图像识别的非常深卷积网络》，J.Comp。科学。（2014），arXiv:1409.1556。
[30] Szegedy，C.等人，《卷积深入研究》，2015 IEEE计算机视觉与模式识别（CVPR）（美国马萨诸塞州波士顿，2015），第1-9页。
[31] 田，J.，张，T.，秦，A.，尚，Z.和唐，Y.Y.，学习用于聚类的分布保持语义子空间，IEEE Trans。图像处理。26（12）（2017）5950-5965·Zbl 07013238号
[32] Tong，W.G.，Li，B.S.和Pei，Y.L.，基于航空图像的绝缘子提取和识别，国际电气信息与控制工程会议（IEEE，中国武汉，2011），第4195-4198页。
[33] Toth，J.和Gilpin-Jackson，A.，《智能电网的智能视图——输电线路用无人驾驶飞行器》，《电力工业应用机器人国际会议》（IEEE，蒙特利尔，QC，加拿大，2010），第1-6页。
[34] Uijlings，J.R.等人，《物体识别的选择性搜索》，国际计算机杂志。见104（2）（2013）154-171。
[35] Wang，X.，Guo，R.和Kambhamettu，C.，《年龄估计的深度学习特征》，IEEE计算机视觉应用冬季会议，（IEEE计算机学会，威科洛，HI，美国，2015），第534-541页。
[36] Wang，L.等人，《通过局部估计和全局搜索进行显著性检测的深层网络》，IEEE Conf.Computer Vision&Pattern Recognition（IEEE Computer Society，Boston，MA，USA，2015），第3183-3192页。
[37] Wei-Guo，L.I.等人，基于开发的MPEG-7纹理特征的绝缘子识别，高电压。表1（2010）265-268。
[38] 姚春云、金丽杰和严诗杰，电网巡检图像中绝缘子串的识别，J.Syst。模拟24（09）（2012）1818-1822。
[39] Zeiler，M.D.和Fergus，R.，《可视化和理解卷积网络》，载于《计算机视觉-ECCV 2014》，编辑：Fleet，D.、Pajdla，T.、Schiele，B.和Tuytelaars，T.，第8689卷，（Springer，Cham，2014），第818-833页。
[40] Zhang，T.，Tang，Y.Y.，Fang，B.，Shang，Z.和Liu，X.，使用梯度面在不同光照下进行人脸识别，IEEE Trans。图像处理.18（11）（2009）2599-2606·Zbl 1371.94457号
[41] Zhang，T.，Fang，B.，Tang，Y.Y.，He，G.和Wen，J.，用于人脸识别的保拓扑非负矩阵因式分解，IEEE Trans。图像处理17（4）（2008）574-484。
[42] Zhang，T.，Fang，B.，Tang，Y.Y.，Shang，Z.和Xu，B.，广义判别分析：矩阵指数方法，IEEE Trans。系统。人类网络。B Cybern40（1）（2010）186。
[43] Zhang，T.，Fang，B.，Yuan，Y.，Tang，Y.Y.，Shang，Z.，Li，D.和Lang，F.，可变光照下人脸识别的多尺度面部结构表征，模式识别。42（2）（2009）251-258·兹比尔1162.68644
[44] Z.Zhao和W.Le，架空绝缘子串图像自动定位方法，易琪易彪学报/中国科学杂志。仪器。35（3） （中国科学仪器学报，2014）558-565。
[45] Zitnick，C.L.和Dollr，P.，边缘框：从边缘定位对象提案，欧洲会议计算。视觉。（Springer，Cham，2014），第391-405页。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。