一、基于人工神经网络的不良绝缘子诊断（论文文献综述）
赵丽梦[1]（2021）在《基于图像融合的绝缘子缺陷检测方法研究》文中进行了进一步梳理随着智能电网时代的到来,传统的人工线路巡检方式费时费力,危险性较高,已经逐步被自动检测技术所取代。针对输电线路中的绝缘子利用图像融合技术进行故障检测展开研究。通过不同的传感器获得绝缘子的红外图像以及可见光图像,利用图像融合技术将不同信息进行融合,根据融合图像对绝缘子缺陷进行分析。论文研究内容如下所示。首先,对于绝缘子的检测现状进行分析,提出利用图像融合方法进行绝缘子缺陷检测。图像融合理论进行系统研究,包括图像融合层次、方法以及评价标准。重点研究了像素级图像融合的四类方法为空间域、多尺度变换、稀疏表示以及神经网络方法,各有优缺点,其中多尺度变换方法融合效果较好,因此拟采用多尺度变换方法进行图像融合。其次,研究非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）和非下采样剪切波变换（Nonsubsampled Shearlet Transform,NSST）两种多尺度变换算法,NSCT是由非下采样金字塔滤波器组以及方向滤波器组两部分组成,NSST是由非下采样金字塔滤波器组以及剪切波滤波器组两部分组成。研究子带图像的融合规则,采用二维模态分解对FT算法进行改进,通过改进的FT算法提取到的显着性特征计算低频图像的局部区域匹配度,若匹配度较高,采用加权平均法进行融合,若匹配度较低,采用灰度值取大法融合;采用改进空间频率（Modified Spatial Frequency,MSF）作为脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）的输入,改进拉普拉斯能量和（Modified Sum of Laplacian energy,MSLP）作为PCNN的链接强度,采用自适应的PCNN计算高频图像像素点的点火频率,根据点火频率确定融合系数。缺陷绝缘子的红外图像以及可见光图像进行采集和处理,对图像融合过程中的参数进行设置,并利用四种融合方法进行对比实验,包括加权平均法、小波变换法、NSCT变换法、NSST变换法。通过评价标准进行评价,并得出结论基于NSST变换方法融合效果较好,计算速度较快。最后根据融合图像特征对绝缘子中的缺陷种类进行判断,并分析不同缺陷类型检测的准确率。
王二帅[2]（2021）在《基于双谱段图像融合的高压线路电晕放电缺陷智能诊断研究》文中提出电晕放电通常发生在高压电力的绝缘子、均压环、导线等存在缺陷的位置,是缺陷故障的早期现象之一。如不及时检测,这些缺陷在造成大量电能损失的同时,还导致电磁干扰、加速电力设备老化、引发断电事故、引起火灾等危害。因此,及时发现电晕放电现象十分重要。双谱段紫外探测是当前最先进的电晕放电探测技术之一,其灵敏度高,能够准确可靠地探测到电力系统中微弱电晕放电现象。然而,现阶段双谱段紫外电晕放电图像依赖检测人员现场诊断缺陷。这种作业形式存在电晕放电强度评估不准确、缺乏缺陷参考标准、不够客观、诊断效率较低,人员容易疲惫等问题。在课题组研制的CDH02双谱段电晕探测仪基础上,本文开展了电晕放电缺陷智能诊断算法研究。通过对紫外成像探测、可见图像识别、信息融合的调研,提出了以紫外图像特征分析电晕放电强度、以卷积神经网络技术识别电晕放电部件类型、以DS证据理论融合多方面信息综合诊断的电晕放电缺陷智能诊断方案。本文重点研究了以下内容:1)等效光子数的电晕放电强度分析方法研究。当前紫外探测仪均以光子计数作为放电强度衡量的标准,而紫外光子计数缺乏溯源标准,图像特征与紫外辐射关联弱。针对该问题,建立了溯源于美国NIST的辐射基准,完成了核心器件ICCD紫外能量标定,提出了以紫外光斑区域灰度总和为特征,评估电晕辐射强度的方法,建立了等效光子数电晕放电分析方法。后续可结合巡检经验,形成明确的电晕放电缺陷风险等级标准。2)基于深度卷积网络电力部件识别算法研究。首先建立了较完备的绝缘子、均压环、导线等放电部件图像数据集,奠定了电晕放电部件识别算法的数据基准。在此基础上,训练了不同卷积深度的Res Net识别模型;然后提出了简化型残差结构,缩短了模型的训练时间;最后提出了输出图层尺寸更为灵活的分数下采样方法,基于此设计了含有更多中间阶层的分数下采样Res Net,提高了模型对于均压环部件的识别准确率。分数下采样Res Net每秒能处理987张电力部件图像块,识别电力部件的平均准确率高达98.9%,满足了电力部件识别准确性与实时性的要求,大幅提高了电晕放电缺陷诊断的效率。3)多信息融合诊断算法研究。电晕放电缺陷诊断任务,需要根据部件类型、电晕放电强度、历史巡检经验综合判断电晕放电缺陷的恶劣程度。基于电晕放电巡检工作的经验与等效光子数方法,本文利用D-S证据理论分别建立了绝缘子、均压环、导线电晕放电缺陷基本概率分配模型,并以加权融合的优化方法,提出了电晕放电缺陷智能诊断算法。利用巡检图像数据对该算法进行了仿真分析,结果表明智能诊断算法能以上下限概率表征缺陷存在的可能性。与人工诊断相比,该方法速度更快,结果更为明确可信,提高了电晕放电缺陷评估工作的效率与可靠性。本文通过以上三方面的研究,建立了准确稳定的电晕放电强度分析方法、实现了放电部件的准确高速识别、提出了客观高效的电晕放电缺陷智能诊断算法。研究成果为高压电力电晕放电缺陷智能诊断的实现提供了一定的帮助。
徐安馨[3]（2021）在《基于场景分类识别的电网气象灾害预警方法》文中认为电网是与国民经济和国家安全息息相关的重要基础设施,电力系统的安全稳定运行是维持社会正常秩序的前提条件。现代电网规模庞大、结构复杂,电力设备大多直接暴露在外部环境之中。近些年来,全球变暖、环境破坏问题日益突出,各类突发性、极端性气象灾害频发,气候变化、气象灾害给电网安全稳定运行带来的影响日益突出。为了应对气象灾害对电网的冲击,需要提高电网面对气象灾害的预警能力,将侧重于事中或事后的应对策略向事前预警转变。目前大多数事前预警主要针对灾害形成后,即将引发电网事故的紧急时刻,给决策者预留的时间很短,可能会因错过最佳决策时机而带来损失。本文对气象灾害与电网故障的耦合关系进行研究,提出一种基于场景分类识别的电网气象灾害预警方法。以气象原始数据、电网历史数据和相关环境数据为基础,利用灾害场景识别建立三类因子的特征提取模型,并结合故障信息形成多因素复合的电网气象灾害预警模型,通过深度自编码网络对输入特征的学习能力,提取各类因素的抽象特征,在将三类因素的场景特征组合形成新的特征向量,用来训练针对小样本集的SVM模型,实现气象灾害下电网故障的预测预警。首先,本文针对气象因素多维复杂、不同场景下主导因素不一的特点,综合主客观赋权方法的优点,并根据因子实时状态对组合权重进行动态修正。基于实际工程经验确定气象因子的重要性序列关系,利用G1法将专家评价进行量化,得到气象因子的主观权重。根据历史数据构造气象因子初始评价矩阵,用熵权法确定气象因子客观权重,并根据各因子的实际状态分级确定的其状态权重,用状态权重对客观权重进行动态修正。依据最小信息熵原理对主观权重和动态客观权重进行组合,得到气象因子动态组合权重。其次,提出结合场景分类识别和深度收缩自编码网络的致灾因子特征提取方法。针对电网气象灾害致灾因子来源多样、种类繁多、耦合复杂的特点,将气象因子动态赋权方法和深度自编码网络相结合,通过构建统一场景识别分类器来对致灾因子特征进行针对性提取。自编码网络可以通过网络参数的多重组合建立各类因子内部的耦合关系,场景识别分类器可以通过统一的灾害场景建立气象灾害下三类因子之间的关联关系,实现相应灾害场景下对各类因子抽象特征的有效提取。然后,通过电网故障信息建立电网气象灾害故障关联样本,分别利用已精调好的深度自编码网络,对样本中三类致灾因子进行特征提取,以电网故障信息为基础综合三个子网络提取的抽象特征,以SVM来训练一个复合的电网故障预测模型,建立三类致灾因子与电网故障之间的关联映射关系,实现相应场景下对电网故障的预测。最后,本文利用气象原始数据和电网历史故障数据等在MATLAB软件平台对本文方法进行了仿真验证。算例分析表明,本文提出的基于场景分类识别的电网气象灾害预警方法能够更好提取气象灾害下各类因子的抽象特征,更准确的对电网故障进行识别和预测,能够准确、全面的建立三类致灾因子与电网故障间的关联关系,对给定的因子条件下可能引发的电网故障类型作出正确预测,为提高电网气象灾害事前预警能力奠定基础。
项茂阳[4]（2021）在《变电设备故障诊断系统研究及应用》文中研究指明随着智能电网的快速发展,特别是特高压电网的建设,电网的安全稳定越来越重要。尤其是变电一次设备的可靠性对于电网的安全稳定特别重要。变电设备故障诊断是指通过收集设备运行参数、例行试验数据、在线设备诊断数据等信息,对变压器、开关等多个变电设备进行状态监测分析、故障诊断,及时反馈,及时调整电网系统运行方式,确定维修策略。首先,本文通过参阅国内外相关文献,分析了当前变电站一次设备故障诊断先进技术,包括变压器、断路器、避雷器及容性设备的故障诊断技术,着重理解了目前应用广泛的几种在线监测技术。其次,本文进行了变电设备故障诊断系统的设计与开发,对该软件的重要性和必要性进行了叙述,然后对本软件开发所涉及到的相关技术要点做了简单介绍。针对变电设备故障诊断系统,首先本文通过对系统设计以及状态评价概述展开研究,按照状态评估模块、风险评估模块、决策建议模块进行设计;然后对变电故障诊断系统的功能进行设计,包括变电设备状态评估功能设计、风险评估功能设计、变电设备检修辅助决策功能设计、变电设备在线监测功能设计、变电设备历史查询及预测评估功能设计等;最后是实现变电设备故障诊断功能。随着智能化水平的提升,我们不仅期待变电站智能化的安全稳定,我们更加期待智能调度、智能潮流管理系统的面世。随着智能化系统的不断发展,变电站的运行将更加安全、可靠。
赵利鸿[5]（2021）在《基于红外图像的绝缘子目标提取技术研究》文中提出随着电力行业的发展,绝缘子在电力系统中得到了广泛的应用。在输电系统中,劣化绝缘子的存在直接威胁着电力系统的安全运行,绝缘子的故障会造成输电系统巨大的经济损失,甚至造成人员伤亡。定期检测绝缘子状况是电力系统运维的必要保障。传统检测方法受杆塔限制,易受电磁干扰,需要断电。近年来电力设备故障检测的红外检测技术引起了广泛的关注,作为非侵入性方法,红外成像方法具有可视化,安全,非接触,不受干扰的优势等,便于监控设备运行状态和现场检测。为了检测绝缘子的缺陷,如裂纹、表面污染和损坏,对现场收集的图像进行识别与定位绝缘子是故障检测的关键环节。因此,开展基于红外图像的绝缘子目标提取算法的研究,可为绝缘子故障检测奠定基础。输电系统中绝缘子的红外图像噪声高,对比度低,为改善输电系统中绝缘子的提取准确率,本文的主要研究内容如下:（1）实现一种基于BP（Back Propagation,BP）神经网络的红外图像复杂度分类模型。将采集到的红外图像依据图像特征参数通过BP网络实现复杂度分类,解决了对所有图像采用同一种算法造成时间较长,代码浪费等问题,为后续目标提取提供有力保障。（2）提出一种基于改进FCM（Fuzzy C-means,FCM）算法的绝缘子目标提取方法。解决了简单背景下,通常包含独立绝缘子并和杆塔没有交叉,有效提取目标绝缘子的问题。通过改进FCM算法聚类杆塔和绝缘子的SURF（Speeded-Up Robust Features,SURF）特征点,根据绝缘子形状特征值,识别定位绝缘子,最终实现绝缘子的准确提取。（3）提出一种基于改进模板匹配的绝缘子提取方法。解决了复杂背景下,通常包含多个不同大小和不同角度的绝缘子,有效提取目标绝缘子的问题。提出一种改进的图像描述子,通过从粗到精的匹配策略,匹配绝缘子模板图像库和测试图像库,实现对绝缘子的准确提取。通过定性分析,将本文方法得到的绝缘子提取结果,与传统聚类算法和模板匹配算法得到的实验结果进行对比,实验结果证明本文算法提取准确度高。通过定量分析,计算真阳率,假阳率和准确率三个指标,进一步证实了本文方法的有效性和准确性。
陈文翔[6]（2021）在《基于航拍图像的输电线路绝缘子串爆裂缺陷识别算法研究》文中研究表明架空输电线路网络作为电力系统中连接发电与配电的重要中间环节,如何安全有效的对其进行巡检受到了多方的广泛关注,传统人工巡线作业方式已难以适应输电线路的建设速度与规格要求,未来大规模机械化巡检的占比将会越来越高,其中借助航拍图像进行检查的方式受到越来越多的研究。绝缘子作为连接电力线与输电塔的重要中间部件,起到了电力隔绝与机械支撑的作用,保障其安全稳定对于整个输电网络有着重大意义,因此利用图像处理等技术对输电线路绝缘子进行识别与缺陷检测是一项具有挖掘潜力的研究工作。传统绝缘子检测技术十分依赖人工设计特征的完备性,检测的速度、精度以及鲁棒性一般,难以让人满意。文章针对以上问题,利用条件生成式对抗网络与图像处理技术对输电线路绝缘子的“爆裂”现象开展了如下研究:（1）针对无人机所获取的航拍图像进行信息筛选,利用数据增强技术辅助制作出用于架空输电线路绝缘子检测定位的数据集,同时对目前检测效果出众的深度学习技术进行分析与对比,确定检测的主要流程;（2）针对数据集中的“爆裂”绝缘子数量较少,且所处的环境较为复杂,背景中含有大量冗余信息的问题,提供一种以条件生成式对抗网络为模型主体的绝缘子检测新思路,对生成器网络以及判别网络进行结构调优,提高输出绝缘子图像的分辨率与纹理细节,在完成绝缘子检测任务的同时增加可用数据量;（3）针对当前绝缘子“爆裂”缺陷定位算法需要较多的人工特征选择以及检测精度较低的问题,利用提取出的连通域信息对绝缘子盘片进行物理形状表征,与最小二乘法直线拟合技术相结合,对发生“爆裂”缺陷的绝缘子串进行分类与定位工作。本文所提方法在自制的输电线路绝缘子数据集上表现良好,在绝缘子检测任务以及“爆裂”缺陷定位任务上的精准率分别达到了92.4%以及95.6%,实验结果表明所提算法可以较有效解决在山地森林等复杂背景下的绝缘子“爆裂”缺陷检测问题,为后续线路巡检技术的开发提供了坚实的基础。
张百川[7]（2020）在《轻量化CNN的输电线路故障图像分类方法研究》文中指出传统的输电线路故障巡检方法大多是人工目测,耗费大量的人力物力资源,且受到检修地点的环境影响,效率较低,无法实现实时检测。随着电网智能化和图像处理技术的发展,使用先进的图像分类算法进行输电线路的故障图像检测是智能电网发展和故障诊断中重要的措施之一,因此,开展了使用无人机搭配图像处理进行输电线路智能巡检的研究。将无人机巡检和输电线路故障图像检测任务结合起来,就能够实现故障图像以及故障类型的分类处理,从而实现电网的智能化巡检,大大提高故障检测的效率。本文通过无人机巡检对某矿业集团内部所属高压输电线路故障图像进行采集,得到输电线路的图片与视频资料,对输电线路上常见的故障种类与故障发生后的机理特征进行分析,筛选出所需的实验图像。对筛选出的故障图像进行裁剪和预处理等操作,通过数据增强扩大数据集,对图像库种的图像文件进行故障种类的标注,构建一个可供本文的分类模型训练使用的输电线路故障图像的数据集。针对输电线路故障诊断任务的特殊性,结合目前较为广泛使用的卷积神经网络图像分类算法和模型压缩技术,本文设计了一种结合批归一化的轻量化CNN输电线路故障图像识别分类算法BN-Mobile Net,在keras平台上进行仿真实验,首先在标准数据集上进行实验证明,本文设计的模型通过改变卷积层的网络结构,降低了网络的复杂度,模型参数量降为了原来的六分之一,训练的时间也有着一定的减少,且模型的准确率在各个数据集上都比原始模型提高了3%以上。在故障图像数据集上进行实验并开发了测试软件,最终的实验结果表明,本文提出的模型在准确率以及训练速度上大大优于以往使用人工目测和原始的神经网络分类算法,开发出的测试软件能够实现单张图片以及多张图片的故障分类,且具有较强的泛化能力,为电网智能化巡检提供了一定的实验基础。图[39]表[6]参[80]
周雯[8]（2020）在《面向高速铁路运行安全的智能图像识别方法研究》文中研究表明高铁是复杂巨系统,任何子系统和设施、设备发生故障都可能危及高铁的运行安全。面向移动装备、基础设施状态、运行环境等高铁运行安全的图像视频检测监测系统以其结果直观的特点在全路广泛应用,保障高速铁路的运行安全。虽然现有的检测监测系统与图像数据应用水平可以满足高速铁路基础设施设备状态和运行环境安全检测监测的需求,但它们分散部署于路网的不同地域,目前还处于人机结合判读并核查安全隐患及故障的本地应用阶段,需要投入大量的人工,费时费力。充分利用国铁集团主数据中心、铁路数据服务平台等路网中已存在的信息基础设施资源,解决好面向高铁运行安全的智能图像识别问题,实现高铁运行安全图像检测监测系统的智能化升级,将大幅提升工作效率,降低工作成本。近年来,深度学习、边缘计算、云计算等信息技术的优势汇聚,促进了人工智能正由技术研发走向行业应用。深度学习等人工智能技术与面向高铁运行安全的图像视频场景相结合,可以对高速铁路设施设备的运行状态智能识别和运行环境的实时检测监控,实现基于图像的高铁运行安全隐患排查、缺陷检测、故障诊断。本文将重点研究高铁设施设备运行安全图像的智能识别方法及应用,主要取得了以下创新性的成果:（1）基于深度主动半监督学习的高铁运行安全图像半自动标注方法。针对利用深度学习方法进行海量高铁运行安全图像智能识别过程中图像标注效率低的问题,提出了基于深度主动半监督学习的高铁运行安全图像半自动标注方法,以连续迭代范式的方式将主动学习和半监督学习引入卷积神经网络的微调过程中,让深度卷积神经网络通过增量的方式对高铁运行安全图像的特征进行学习,可以满足高铁运行安全图像数据的快速标注。将上述方法应用于动车组运行安全图像数据的标注问题,将动车组运行图像的语义标注问题转化为动车组结构子系统分类和零部件目标检测问题,将标注任务分解为粗标注和精细标注两个阶段,提出一种面向动车组零部件分类层级结构的两阶关联的基于深度主动半监督学习的动车组运行安全图像半自动标注方法,量化了数据标注量与目标任务表现之间的关系,利用较少的标注数据量可以在目标任务上获得较高的性能表现。（2）基于卷积神经网络的动车组运行安全图像缺陷检测方法。针对目前TEDS系统利用图像匹配方法自动识别缺陷精度低的问题,提出基于卷积神经网络的动车组运行安全图像缺陷检测与分割模型,分析动车组运行安全图像及其缺陷形态的特征,优化了基于区域的目标检测模型,采用可改变感受野的可变形卷积（DCN）适应缺陷形态的多样性,采用在线困难样本挖掘（OHEM）筛选出困难样本重新输入预测网络以平衡正负样本的比例,克服了缺陷形态尺寸变化多样和复杂背景下正负样本不平衡的困难。（3）基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法。针对高铁接触网悬挂运行状态监测图像中小目标紧固件缺陷检测问题,分析了接触网悬挂图像的特点,对比接触网悬挂紧固件缺陷检测与自然图像目标检测的不同,将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别两个过程解决,提出基于两阶级联轻量级卷积神经网络的紧固件缺陷识别方法。首先,设计了由轻量级的特征提取网络、全局注意力模块、相互增强的分类器和检测器组成的紧固件检测模型,实现目标紧固件实例的高效检测;然后,搭建轻量级的多标签分类网络,进行紧固件运行状态的精细识别,实现紧固件缺陷的识别。（4）高速铁路运行安全图像智能识别应用总体架构。分析路网中高速铁路运行安全图像检测监测信息系统的应用现状及部署特点,提出“边缘+云”的高铁运行安全图像智能识别应用总体架构,在统一的铁路数据服务平台基础之上,构建了高铁运行安全图像智能识别平台的逻辑架构和功能架构,并结合业务范围设计了数据流转和边缘计算的流程,通过典型的TEDS图像检测应用系统具体阐述智能识别应用总体架构,并详细设计了TEDS系统图像智能识别的应用架构、系统架构和系统智能识别应用的软件流程。
黄立达[9]（2020）在《航拍图像中基于细粒度分类的绝缘子自爆缺陷检测》文中进行了进一步梳理随着无人机技术的发展,以无人机拍照的方式进行输电线路巡检正在电网中得到普及和运用。面对无人机巡检获得的海量图片数据,由人工进行缺陷排查存在效率较低的问题,因此利用计算机视觉技术对航拍图像中的输电线路进行缺陷检测成为热点研究问题。本文以绝缘子自爆缺陷检测作为研究对象,将问题转化为对航拍图的图片块的细粒度分类任务。通过对绝缘子航拍图中绝缘子特征的分析,提出基于深度学习的自爆缺陷检测模型。文章的主要工作如下:1.为解决自爆绝缘子类别缺乏样本的问题,根据真实的自爆绝缘子的特征使用两种方法对自爆绝缘子类别进行数据增强。将绝缘子航拍图片裁剪为图片块,经过预处理和数据增强建立了绝缘子航拍图片数据集。2.提出了一种用于自爆缺陷检测任务的多任务学习模型。以航拍图片块按背景、正常绝缘子和自爆绝缘子分类的三分类任务为主任务;由于不同拍摄角度下的绝缘子的特征存在较大差异,将绝缘子根据拍摄角度分类的任务作为辅助任务构建基于多任务学习的分类模型,以增强网络的泛化能力。经过实验,基于多任务学习的模型的自爆类分类召回率为0.9425。3.提出了一种用于自爆缺陷检测任务的层次分类模型。本文基于航拍图片的标签树构建层次分类模型,并与多任务学习算法结合。层次分类模型通过使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子以提高分类准确率。经过实验,基于层次分类的模型的自爆类分类召回率为0.9587。综上,通过对航拍绝缘子图像的特征的深刻分析,本文提出了两种基于细粒度分类的绝缘子自爆缺陷检测模型,对自爆绝缘子类别实现了较高的分类召回率。
刘凯[10]（2020）在《基于结构推理的高铁接触网大尺度差异零部件不良状态检测》文中研究表明接触网支撑悬挂装置是沿铁道线路架设的架空设备,担负着支撑接触网的重要任务,因其工作环境恶劣、频繁剧烈震动、维护难度大而成为高速电气化铁路运营维护的重点之一。目前随着深度学习的快速发展及应用,针对接触网支撑悬挂装置的定位及不良状态的检测效率正逐步提高,但仍存在大尺度差异造成细小零部件定位的难题,已有的不良状态检测方法也主要集中于部分零部件明显故障检测。因此本文提出针对大尺度差异零部件的高效定位及多种零部件不良状态检测方法。本文以接触网支撑悬挂装置图像为检测对象,应用深度学习及图像处理技术,结合多种卷积神经网络模型及图像处理方法,实现对高铁接触网大尺度差异零部件的多种不良状态检测。在多种零部件的定位识别中,本文建立接触网悬挂装置图像样本库,提出基于接触网零部件位置信息的无监督聚类算法,基于此算法将粗定位网络与细定位网络级联,构成提高细小零部件感受野并提高定位准确率的大尺度差异定位网络CSCNET。本文引入了基于门控循环单元将结构特征融合的结构推理网络SIN,测试了多种网络模型对12种接触网零部件同时定位与识别,对比并分析了两种结构推理网络模型特点。在零部件和线索的不良状态检测中,针对承力索座的细小裂纹,本文提出基于自适应RANSAC的尺度不变特征变换算法判断承力索座的正反及平衡线状态,通过Beamlet变换提取疑似裂纹区域的直线信息后,使用基于邻接表的局部链搜索算法得到裂纹信息实现零部件细小裂纹状态的准确识别。针对接触线、吊弦等悬挂线索的不良状态判断,本文提出根据线索类型和检测要求的不同分别使用基于投影采样差分和投影平均梯度的判断方法,实现了多种线索的不良状态检测。本文在深度学习tensorflow框架和Matlab平台下实现了大尺度差异零部件的识别定位与状态检测,对不同拍摄条件下的接触网图片进行分析和测试。实验结果表明:所提出的结构推理等定位模型以及结合尺度不变特征变换与Beamlet变换等多种不良状态检测方法都取得了较好的效果,具有较高的精度和速度,且鲁棒性较好。
二、基于人工神经网络的不良绝缘子诊断（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于人工神经网络的不良绝缘子诊断（论文提纲范文）
（1）基于图像融合的绝缘子缺陷检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 基于图像融合的绝缘子检测研究现状 |
| 1.2.1 图像融合技术的研究现状 |
| 1.2.2 绝缘子缺陷检测的研究现状 |
| 1.3 论文的研究内容 |
| 1.4 本章小结 |
| 第二章 图像融合理论 |
| 2.1 图像融合概念 |
| 2.2 图像融合层次研究 |
| 2.3 图像融合的方法研究 |
| 2.3.1 基于空间域的图像融合方法 |
| 2.3.2 基于多尺度变换的图像融合方法 |
| 2.3.3 基于稀疏表示的图像融合方法 |
| 2.3.4 基于神经网络的图像融合方法 |
| 2.4 图像融合的评价标准 |
| 2.5 本章小结 |
| 第三章 可见光与红外图像融合算法 |
| 3.1 可见光与红外图像的成像特点 |
| 3.2 基于多尺度变换的融合算法 |
| 3.2.1 图像的NSCT变换 |
| 3.2.2 图像的NSST变换 |
| 3.3 基于显着性特征的NSCT图像融合 |
| 3.3.1 视觉显着性 |
| 3.3.2 图像显着性提取 |
| 3.3.3 融合规则设计 |
| 3.4 基于自适应PCNN的 NSST图像融合 |
| 3.4.1 脉冲耦合神经网络 |
| 3.4.2 图像融合规则 |
| 3.5 本章小结 |
| 第四章 绝缘子缺陷检测 |
| 4.1 绝缘子图像的采集和处理 |
| 4.1.1 绝缘子图像的采集 |
| 4.1.2 绝缘子图像的处理 |
| 4.2 实验过程及评价 |
| 4.2.1 图像融合实验过程 |
| 4.2.2 图像融合质量评价 |
| 4.3 实验结果分析 |
| 4.3.1 绝缘子的不同缺陷特征分析 |
| 4.3.2 图像检测准确率分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（2）基于双谱段图像融合的高压线路电晕放电缺陷智能诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 高压电力电晕放电 |
| 1.1.2 电晕放电检测方法 |
| 1.1.3 双谱段电晕放电缺陷诊断存在的问题 |
| 1.2 相关领域的国内外研究现状 |
| 1.2.1 双谱段成像检测电晕放电缺陷研究现状 |
| 1.2.2 高压电力部件识别研究现状 |
| 1.2.3 电力巡检领域信息融合研究 |
| 1.3 技术难点 |
| 1.4 主要研究内容与章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 高压线路电晕放电缺陷智能诊断系统方案设计 |
| 2.1 引言 |
| 2.2 电晕放电缺陷智能诊断系统设计 |
| 2.2.1 系统功能需求分析 |
| 2.2.2 电晕放电缺陷智能诊断系统方案与技术路线 |
| 2.3 双谱段电晕探测原理 |
| 2.3.1 日盲紫外ICCD |
| 2.3.2 双谱段电晕探测设备 |
| 2.3.3 电晕放电分析方法 |
| 2.4 卷积神经网络技术 |
| 2.4.1 CNN的特点 |
| 2.4.2 CNN的结构单元 |
| 2.4.3 损失函数与参数更新方法 |
| 2.4.4 CNN训练过程 |
| 2.5 D-S证据理论 |
| 2.5.1 基本概念 |
| 2.5.2 D-S合成规则 |
| 2.6 本章小结 |
| 第3章 基于等效光子数的电晕放电强度量化分析方法研究 |
| 3.1 引言 |
| 3.2 光斑区域灰度和方法 |
| 3.2.1 紫外图像特点 |
| 3.2.2 光斑区域灰度总和与紫外辐射的关系 |
| 3.3 基于探测器增益标定的等效光子数方法 |
| 3.3.1 探测器增益的影响因素 |
| 3.3.2 探测器增益标定方法 |
| 3.3.3 基于探测器增益标定的等效光子数方法 |
| 3.4 基于等效光子数的电晕放电检测实验 |
| 3.4.1 等效光子数的一致性实验 |
| 3.4.2 基于等效光子数的电晕放电缺陷标准 |
| 3.5 本章小结 |
| 第4章 基于ResNet的可见光部件识别算法研究 |
| 4.1 引言 |
| 4.2 高压线路电晕放电部件图像数据库的构建 |
| 4.2.1 电晕放电部件图像数据来源于标注 |
| 4.2.2 电晕放电部件数据集划分 |
| 4.2.3 电晕放电部件数据集增广 |
| 4.3 基于ResNet的部件识别算法 |
| 4.3.1 基本ResNet电力部件识别模型 |
| 4.3.2 Fast-ResNet电力部件识别模型 |
| 4.3.3 基于分数下采样的ResNet电力部件识别模型 |
| 4.4 本章小结 |
| 第5章 多信息融合电晕放电缺陷智能诊断算法研究 |
| 5.1 引言 |
| 5.2 基于D-S证据理论的电晕放电缺陷基本概率分配模型 |
| 5.2.1 基于经验的缺陷基本概率分配模型 |
| 5.2.2 基于等效光子数的缺陷基本概率分配模型 |
| 5.3 基于加权融合D-S证据理论的电晕放电缺陷智能诊断算法 |
| 5.3.1 基于加权均值的经验矩阵修正 |
| 5.3.2 基于D-S证据理论的电晕放电缺陷智能诊断算法 |
| 5.4 电晕放电缺陷智能诊断算法仿真实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于场景分类识别的电网气象灾害预警方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 气象因素对电网的影响研究 |
| 1.2.2 电网故障预警方法 |
| 1.2.3 人工智能在电网故障诊断领域的应用 |
| 1.3 本文的主要工作 |
| 第二章 电网气象灾害致灾因子分析与处理 |
| 2.1 电网气象灾害概述 |
| 2.1.1 气象因素对电力系统的影响 |
| 2.1.2 影响电网的主要气象灾害类型 |
| 2.2 电网气象灾害要素分析 |
| 2.2.1 气象因子 |
| 2.2.2 设备因子 |
| 2.2.3 环境因子 |
| 2.3 气象致灾因子动态初始权重确定 |
| 2.3.1 致灾因子组合赋权方法 |
| 2.3.2 基于致灾因子状态的动态权重调整方法 |
| 2.4 算例仿真 |
| 2.4.1 组合权重计算 |
| 2.4.2 动态权重计算 |
| 2.5 本章小结 |
| 第三章 基于场景分类识别的致灾因子特征提取方法 |
| 3.1 神经网络概述 |
| 3.2 改进收缩自编码器原理 |
| 3.2.1 自编码器 |
| 3.2.2 稀疏自编码器 |
| 3.2.3 收缩自编码器及改进方法研究 |
| 3.3 基于场景分类识别的致灾因子特征提取方法 |
| 3.3.1 基于深度改进收缩自编码网络的特征提取方法 |
| 3.3.2 场景识别分类器构造 |
| 3.3.3 基于场景分类识别的致灾因子特征提取方法 |
| 3.4 电网气象灾害致灾因子特征提取模型 |
| 3.5 算例仿真 |
| 3.5.1 网络层数对模型效果的影响 |
| 3.5.2 改进收缩自编码器参数确定 |
| 3.5.3 特征提取可视化分析 |
| 3.5.4 初始权重对模型效果的影响 |
| 3.6 本章小结 |
| 第四章 基于场景特征的电网气象灾害预警方法 |
| 4.1 数据预处理 |
| 4.1.1 数据筛选及样本匹配 |
| 4.1.2 故障类型及标签确定 |
| 4.1.3 数据归一化处理 |
| 4.2 基于场景特征的电网气象灾害预警方法 |
| 4.2.1 场景特征与电网故障关联映射方法 |
| 4.2.2 电网气象灾害预警等级确定 |
| 4.2.3 电网气象灾害预警体系构建 |
| 4.3 算例仿真 |
| 4.3.1 模型输出结果分析 |
| 4.3.2 训练样本数量对模型效果的影响 |
| 4.3.3 模型效果对比验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的论文及参与的项目 |
| 学位论文评阅及答辩情况表 |
（4）变电设备故障诊断系统研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 变电设备故障诊断方法的研究现状 |
| 1.3 变电设备常见故障及诊断方法 |
| 1.3.1 变压器常见故障及诊断方法 |
| 1.3.2 断路器常见故障及诊断方法 |
| 1.3.3 容性设备及其他设备常见故障及诊断方法 |
| 1.3.4 氧化锌避雷器常见故障及诊断方法 |
| 1.4 本文的主要内容 |
| 第2章 变电设备故障诊断系统结构设计 |
| 2.1 系统设计 |
| 2.1.1 系统概述 |
| 2.1.2 故障诊断系统体系结构 |
| 2.2 变电设备状态评价概述 |
| 2.3 风险评价模块设计 |
| 2.4 预测评估模块设计 |
| 2.5 决策建议模块设计 |
| 2.6 小结 |
| 第3章 变电设备故障诊断系统功能设计 |
| 3.1 系统智能分析流程 |
| 3.1.1 系统管理 |
| 3.1.2 数据管理 |
| 3.2 故障诊断功能设计 |
| 3.3 变电设备状态评估功能设计 |
| 3.4 风险评估功能设计 |
| 3.5 变电设备检修辅助决策功能设计 |
| 3.6 变电设备在线监测功能设计 |
| 3.7 变电设备历史查询及预测评估功能设计 |
| 3.8 小结 |
| 第4章 变电设备故障诊断系统功能实现 |
| 4.1 变电设备故障诊断系统管理界面配置 |
| 4.2 变电设备故障诊断系统功能实现界面配置 |
| 4.3 现场应用 |
| 4.4 小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）基于红外图像的绝缘子目标提取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 红外检测技术研究现状 |
| 1.2.2 电气设备目标提取研究现状 |
| 1.2.3 绝缘子目标提取研究现状 |
| 1.3 本文主要工作 |
| 第二章 绝缘子的运行与维护 |
| 2.1 绝缘子的作用和要求及分类 |
| 2.2 绝缘子的运行维护 |
| 2.2.1 绝缘子失效的原因 |
| 2.2.2 绝缘子的巡检 |
| 2.2.3 绝缘子的维护 |
| 2.2.4 绝缘子的现场在线检测方法 |
| 2.3 绝缘子的红外热像特征 |
| 2.3.1 正常运行绝缘子的红外热像特征 |
| 2.3.2 异常运行绝缘子的红外热像特征 |
| 2.4 本章小结 |
| 第三章 基于BP神经网络的红外图像复杂度研究 |
| 3.1 图像复杂度的测量参数 |
| 3.1.1 纹理特征 |
| 3.1.2 边缘信息 |
| 3.2 图像复杂度的评估模型 |
| 3.3 实验结果与分析 |
| 3.3.1 实验结果 |
| 3.3.2 实验分析 |
| 3.4 本章小结 |
| 第四章 基于改进FCM算法的简单背景绝缘子提取方法 |
| 4.1 SURF特征点检测 |
| 4.2 改进的FCM算法 |
| 4.2.1 初始化聚类参数 |
| 4.2.2 具有局部空间约束的FCM算法 |
| 4.3 识别和定位绝缘子 |
| 4.4 精确提取绝缘子 |
| 4.5 实验结果与分析 |
| 4.5.1 实验结果 |
| 4.5.2 实验分析 |
| 4.6 本章小结 |
| 第五章 基于改进模板匹配的复杂背景绝缘子提取方法 |
| 5.1 传统模板匹配算法 |
| 5.2 改进的图像描述子 |
| 5.3 基于改进模板匹配算法的目标提取方法 |
| 5.4 实验过程 |
| 5.5 实验结果与分析 |
| 5.5.1 实验结果 |
| 5.5.2 实验分析 |
| 5.6 绝缘子的缺陷检测 |
| 5.6.1 绝缘子的破损检测 |
| 5.6.2 绝缘子的异常温度检测 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（6）基于航拍图像的输电线路绝缘子串爆裂缺陷识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 绝缘子识别方法研究现状 |
| 1.2.2 绝缘子故障检测研究现状 |
| 1.3 研究难点与主要研究内容 |
| 1.4 本文章节安排 |
| 第二章 数据集的建立与相关理论研究 |
| 2.1 绝缘子数据集 |
| 2.2 深度学习技术 |
| 2.2.1 神经网络基本组件 |
| 2.2.2 目标检测网络代表 |
| 2.3 生成对抗网络模型 |
| 2.3.1 生成对抗网络原理 |
| 2.3.2 条件生成对抗网络 |
| 2.4 评价标准 |
| 2.5 本章小结 |
| 第三章 基于多粒级条件生成式对抗网络的绝缘子检测 |
| 3.1 算法流程设计 |
| 3.2 条件生成式对抗网络模型设计 |
| 3.2.1 多层次生成器网络 |
| 3.2.2 蒙特卡洛搜索生成优化算法 |
| 3.2.3 多尺度判别器网络 |
| 3.3 实验设置 |
| 3.3.1 生成器网络结构 |
| 3.3.2 判别器网络结构 |
| 3.3.3 实验环境与网络超参数 |
| 3.4 实验与结果分析 |
| 3.5 本章小结 |
| 第四章 绝缘子串爆裂故障定位算法研究 |
| 4.1 算法流程设计 |
| 4.2 绝缘子串物理信息提取与表征 |
| 4.2.1 绝缘子图像二值化 |
| 4.2.2 背景小型连通域过滤处理 |
| 4.2.3 绝缘子串单束化与分布方向拟定 |
| 4.3 绝缘子串爆裂检测与精准定位 |
| 4.3.1 绝缘子盘片中心点计算 |
| 4.3.2 绝缘子串爆裂故障识别 |
| 4.3.3 绝缘子串爆裂区域定位 |
| 4.4 实验与结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读学位期间发表论文目录) |
（7）轻量化CNN的输电线路故障图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 输电线路巡检的发展现状 |
| 1.2.2 卷积神经网络的研究现状 |
| 1.3 本论文研究的主要内容和结构 |
| 2 输电线路故障分析 |
| 2.1 输电线路故障类型分析 |
| 2.1.1 雷击故障 |
| 2.1.2 风偏故障 |
| 2.1.3 线路异物故障 |
| 2.1.4 绝缘子污秽闪络故障 |
| 2.2 输电线路故障检测方法分析 |
| 2.2.1 人工目测法 |
| 2.2.2 图像检测法 |
| 2.3 常见问题分析 |
| 2.4 本章小结 |
| 3 图像分类算法理论基础 |
| 3.1 神经网络 |
| 3.1.1 人工神经元模型 |
| 3.1.2 多层感知器 |
| 3.1.3 BP神经网络 |
| 3.2 卷积神经网络 |
| 3.2.1 网络结构 |
| 3.2.2 卷积神经网络的特点 |
| 3.3 轻量化CNN模型 |
| 3.3.1 Squeeze Net |
| 3.3.2 Shuffle Net |
| 3.3.3 Mobile Net |
| 3.4 本章小结 |
| 4 无人机巡检 |
| 4.1 无人机巡线任务分析 |
| 4.2 无人机巡检系统 |
| 4.2.1 无人机巡检硬件结构分析 |
| 4.2.2 无人机巡检软件流程 |
| 4.3 本章小结 |
| 5 轻量化CNN输电线路故障分类模型与实验结果分析 |
| 5.1 批归一化的轻量化CNN分类模型的构建 |
| 5.1.1 批归一化层(batch normalization) |
| 5.1.2 模型压缩 |
| 5.1.3 结合批归一化的轻量化CNN模型 |
| 5.2 故障图像数据集的构建 |
| 5.2.1 无人机巡检图像 |
| 5.2.2 故障图像的标注 |
| 5.2.3 数据增强 |
| 5.3 实验结果分析 |
| 5.3.1 参数配置与数据预处理 |
| 5.3.2 标准数据集实验结果分析 |
| 5.3.3 输电线路故障图像分类实验分析 |
| 5.4 故障图像分类测试软件 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（8）面向高速铁路运行安全的智能图像识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 国内外图像识别技术研究现状及发展趋势 |
| 1.2.2 国内外铁路运行安全图像识别研究现状及发展趋势 |
| 1.3 研究目标及主要内容 |
| 1.4 论文组织结构与技术路线 |
| 1.5 本章小结 |
| 2 图像识别与深度学习相关理论 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于卷积神经网络的典型分类模型 |
| 2.1.3 基于卷积神经网络的典型目标检测模型 |
| 2.2 迁移学习 |
| 2.3 主动学习 |
| 2.4 边缘计算 |
| 2.5 本章小结 |
| 3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.3.1 基于深度卷积神经网络的迁移学习 |
| 3.3.2 深度主动半监督学习 |
| 3.4 面向动车组运行安全图像半自动标注算法 |
| 3.4.1 子系统分类主动半监督学习策略 |
| 3.4.2 零部件检测主动半监督学习策略 |
| 3.5 试验与分析 |
| 3.5.1 子系统分类标注试验分析 |
| 3.5.2 零部件目标检测标注试验分析 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的动车组运行安全图像缺陷检测方法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.3 动车组运行安全图像缺陷检测与分割模型 |
| 4.3.1 基于区域的目标检测算法 |
| 4.3.2 动车组运行安全图像缺陷检测优化方法 |
| 4.4 试验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 检测与评估 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.2.1 高铁接触网悬挂状态监测图像生成 |
| 5.2.2 高铁接触网悬挂状态监测图像的特点 |
| 5.3 高铁接触网悬挂紧固件缺陷识别方法 |
| 5.3.1 紧固件检测模型CSDR-CNN |
| 5.3.2 紧固件缺陷识别网络FastenerNet |
| 5.4 试验验证 |
| 5.4.1 模型训练阶段 |
| 5.4.2 模型测试阶段 |
| 5.5 本章小结 |
| 6 高速铁路运行安全图像智能识别应用总体设计 |
| 6.1 问题分析 |
| 6.2 总体架构 |
| 6.3 功能架构 |
| 6.4 典型应用系统分析 |
| 6.4.1 TEDS系统图像智能识别应用需求分析 |
| 6.4.2 TEDS系统图像智能识别应用设计 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 索引 |
| 作者简历及攻读博士学位期间取得的科研成果 |
| 学位论文数据集 |
（9）航拍图像中基于细粒度分类的绝缘子自爆缺陷检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题的研究现状 |
| 1.2.1 基于人工设计的特征的绝缘子自爆缺陷检测 |
| 1.2.2 基于深度学习的特征的绝缘子自爆缺陷检测 |
| 1.3 研究内容与论文结构 |
| 第二章 基于卷积神经网络的分类算法 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络的基本组成 |
| 2.1.2 卷积神经网络的训练和推理 |
| 2.1.3 经典卷积神经网络模型 |
| 2.2 细粒度分类 |
| 2.3 分类任务的主要评价指标 |
| 2.4 本章小结 |
| 第三章 数据集构建 |
| 3.1 对自爆绝缘子类别进行数据增强 |
| 3.1.1 对正常绝缘子图像进行图像处理 |
| 3.1.2 合成自爆绝缘子图片 |
| 3.2 数据集制作 |
| 3.2.1 绝缘子区域及自爆缺陷区域标注 |
| 3.2.2 裁剪航拍图片 |
| 3.2.3 灰度化处理及数据增强 |
| 3.3 数据集中样本的分布情况 |
| 3.4 本章小结 |
| 第四章 基于多任务学习的自爆缺陷检测 |
| 4.1 多任务学习简介 |
| 4.2 构建用于自爆缺陷检测的多任务学习模型 |
| 4.3 用于自爆缺陷检测的多任务学习模型的结构及参数 |
| 4.4 推理的算法 |
| 4.5 实验结果及分析 |
| 4.5.1 实验环境以及训练参数 |
| 4.5.2 验证合成自爆绝缘子图像数据的有效性 |
| 4.5.3 卷积神经网络性能分析 |
| 4.5.4 验证多任务学习模型有效性 |
| 4.6 本章小结 |
| 第五章 基于层次分类的自爆缺陷检测 |
| 5.1 层次分类简介 |
| 5.2 数据集扩展 |
| 5.3 层次分类在自爆缺陷检测中的应用 |
| 5.3.1 特征融合方式 |
| 5.3.2 构建基于层次多任务分类的自爆缺陷检测模型 |
| 5.4 用于自爆缺陷检测的层次多任务分类模型的结构及参数 |
| 5.5 推理的算法 |
| 5.6 实验结果及分析 |
| 5.6.1 实验环境及训练参数 |
| 5.6.2 验证层次多任务分类模型有效性 |
| 5.7 层次多任务分类模型在航拍图像上的应用效果及分析 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（10）基于结构推理的高铁接触网大尺度差异零部件不良状态检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外接触网图像处理方法的研究现状 |
| 1.2.1 传统图像处理的接触网应用 |
| 1.2.2 深度学习的接触网应用 |
| 1.3 本文采用的方法 |
| 1.4 论文的主要内容 |
| 第2章 基本图像处理方法及卷积神经网络基础 |
| 2.1 数字图像预处理方法 |
| 2.1.1 图像形态学运算 |
| 2.1.2 图像边缘检测 |
| 2.1.3 图像特征提取与匹配 |
| 2.2 深度卷积神经网络分析 |
| 2.2.1 深度卷积神经网络组成 |
| 2.2.2 经典卷积神经网络结构 |
| 2.3 本章小结 |
| 第3章 基于结构推理的大尺度差异零部件定位检测 |
| 3.1 接触网图像尺度差异及结构特点分析 |
| 3.2 基于结构推理的级联网络模型CSCNET |
| 3.2.1 基于位置聚类算法的粗定位网络 |
| 3.2.2 基于结构优化的细定位网络 |
| 3.2.3 CSCNET级联网络模型结构总述 |
| 3.3 多种结构推理等定位网络模型的实验对比 |
| 3.3.1 CSCNET数据集及训练测试 |
| 3.3.2 CSCNET实验结果对比 |
| 3.3.3 其他结构推理网络模型简述及对比 |
| 3.4 本章小结 |
| 第4章 高铁接触网零部件及线索的不良状态检测 |
| 4.1 接触网承力索座细小裂纹检测 |
| 4.1.1 承力索座图像预处理 |
| 4.1.2 基于自适应RANSAC的 SIFT特征点筛选匹配算法 |
| 4.1.3 基于Beamlet小线变换算法的裂纹检测 |
| 4.2 接触网线索不良状态判断 |
| 4.2.1 针对吊弦等垂直线路方向线索的投影采样差分判断方法 |
| 4.2.2 针对接触线等平行线路方向线索的投影平均梯度判断方法 |
| 4.3 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
四、基于人工神经网络的不良绝缘子诊断（论文参考文献）
- [1]基于图像融合的绝缘子缺陷检测方法研究[D]. 赵丽梦. 西安石油大学, 2021(10)
- [2]基于双谱段图像融合的高压线路电晕放电缺陷智能诊断研究[D]. 王二帅. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [3]基于场景分类识别的电网气象灾害预警方法[D]. 徐安馨. 山东大学, 2021(12)
- [4]变电设备故障诊断系统研究及应用[D]. 项茂阳. 山东大学, 2021(12)
- [5]基于红外图像的绝缘子目标提取技术研究[D]. 赵利鸿. 天津理工大学, 2021(08)
- [6]基于航拍图像的输电线路绝缘子串爆裂缺陷识别算法研究[D]. 陈文翔. 昆明理工大学, 2021(01)
- [7]轻量化CNN的输电线路故障图像分类方法研究[D]. 张百川. 安徽理工大学, 2020(07)
- [8]面向高速铁路运行安全的智能图像识别方法研究[D]. 周雯. 中国铁道科学研究院, 2020(01)
- [9]航拍图像中基于细粒度分类的绝缘子自爆缺陷检测[D]. 黄立达. 东北石油大学, 2020(03)
- [10]基于结构推理的高铁接触网大尺度差异零部件不良状态检测[D]. 刘凯. 西南交通大学, 2020(07)