高壓電力線每天都會(huì)傳輸大量電能，以滿足我們?nèi)粘Ｉ畹男枨?。電能傳輸過程中產(chǎn)生的熱量很少，這種熱量和陽光，雨水等的影響會(huì)腐蝕電線表面。此基礎(chǔ)上，提出了一種基于深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的絕緣子損傷檢測算法。積網(wǎng)絡(luò)由卷積層，池化層和全連接層組成，大量卷積核用于創(chuàng)建非線性映射函數(shù)，以學(xué)習(xí)圖像之間的映射關(guān)系?？诤蜆?biāo)簽。

　　
　　算法根據(jù)注意力機(jī)制自動(dòng)提取隔離器的區(qū)域，然后將其用作卷積網(wǎng)絡(luò)的輸入，以確定當(dāng)前輸入圖像是否損壞。驗(yàn)分析表明，基于卷積網(wǎng)絡(luò)的隔離器損傷檢測算法的準(zhǔn)確性為93％，可以滿足實(shí)際應(yīng)用的要求。今，使用高壓電力線進(jìn)行能源運(yùn)輸是一種重要的社會(huì)營養(yǎng)手段，尤其是在電壓大于或等于500 kV的情況下。于絕緣層長時(shí)間暴露在空氣中，雨水的侵蝕和陽光的暴露會(huì)損壞絕緣層，這可能會(huì)導(dǎo)致某些區(qū)域斷電并造成傷害為了人類生命和財(cái)產(chǎn)安全。力公司在檢測絕緣損壞方面投入了大量的人力和資源，并且大多數(shù)使用人工識(shí)別。管此方法穩(wěn)定可靠，但風(fēng)險(xiǎn)很高。究人員已經(jīng)探索了使用計(jì)算機(jī)視覺通過直升機(jī)捕獲絕緣圖像的方法，然后使用分類模型來確定當(dāng)前圖像是否損壞。統(tǒng)的數(shù)字圖像方法使用手動(dòng)圖像提取運(yùn)算符來提取圖像的局部特征，但是不能補(bǔ)償圖像感知到的圖像的語義特征之間的差異。算機(jī)和人類視覺神經(jīng)提供的信息。運(yùn)的是，近年來，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)[1]導(dǎo)致了計(jì)算機(jī)視覺領(lǐng)域的進(jìn)步和高級(jí)研究。此基礎(chǔ)上，本文建議使用深度卷積網(wǎng)絡(luò)對(duì)絕緣子的圖像進(jìn)行分類，以確定在當(dāng)前圖像中絕緣是否受損。章首先介紹了基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，然后開發(fā)了本文提出的絕緣圖像分類算法。
　　積神經(jīng)元網(wǎng)絡(luò)主要包括卷積層，池層和完全連接層。積層由幾個(gè)卷積核組成，主要用于提取圖像的局部紋理特征，例如顏色，電纜漸變和紋理。著網(wǎng)絡(luò)層次的加深，網(wǎng)絡(luò)檢索到的圖像特征將從本地詳細(xì)信息轉(zhuǎn)換為全局語義信息。組層用于對(duì)圖像的特征圖進(jìn)行下采樣，以降低泛化模型參數(shù)大小的能力。

　　連接層將卷積層提取的圖像的局部特征編碼為全局語義特征。實(shí)際應(yīng)用中，卷積核的大小通常適合于滑動(dòng)步長和擴(kuò)展像素的大小，因此卷積運(yùn)算不會(huì)改變功能圖的大小。分類階段，使用下游計(jì)算來計(jì)算圖像的分類誤差，并在反向傳播階段更新網(wǎng)絡(luò)權(quán)重。于搜索的智能注意力機(jī)制[2]使用一個(gè)或多個(gè)候選框在圖像中進(jìn)行智能搜索，以找到圖像最大的區(qū)域用于分類任務(wù)。于智能搜索的候選框不會(huì)使用整個(gè)圖像中不同大小的框在圖像中從左到右從上到下滑動(dòng)，而是基于強(qiáng)化學(xué)習(xí)可智能搜索整體圖像中的分類。配最重要的區(qū)域?；瘜W(xué)習(xí)策略梯度算法[3]使用固定分布函數(shù)對(duì)原始圖像中的多個(gè)候選區(qū)域進(jìn)行采樣，然后提取這些區(qū)域作為卷積網(wǎng)絡(luò)的輸入。提取圖像的局部特征和相應(yīng)的局部區(qū)域。置坐標(biāo)被拼接為遞歸神經(jīng)網(wǎng)絡(luò)的輸入，以了解這些圖片塊之間的依賴性。絡(luò)的最終任務(wù)是提供圖像輸出候選區(qū)域的樣本分布，該樣本分布使用高斯分布來表示采樣區(qū)域的分布。知模塊：該模塊的基本功能是離開候選區(qū)域的中心區(qū)域。慮到關(guān)注區(qū)域的圖像的大小在不同的圖像中是不同的，因此，如果頂點(diǎn)的坐標(biāo)以及圖像的長度和寬度被直接傳輸，則網(wǎng)絡(luò)難以優(yōu)化。
　　此，直接發(fā)布感興趣區(qū)域的中心位置，并使用不同的大小。子根據(jù)中心位置產(chǎn)生一個(gè)候選區(qū)域。征提取模塊：該模塊首先縮放檢測模塊提取的不同大小的圖像，然后使用卷積網(wǎng)絡(luò)的這些輸入圖像塊將圖像編碼為矢量一維特征。用卷積網(wǎng)絡(luò)從圖像中提取語義信息可以解決網(wǎng)絡(luò)在本地看到的問題。了解決網(wǎng)絡(luò)應(yīng)檢查的問題，網(wǎng)絡(luò)在前一個(gè)模塊中學(xué)習(xí)到的圖像位置也將以與功能相同的維度進(jìn)行編碼，然后進(jìn)行拼接。像的局部語義特征和觀察到的位置的拼接解決了網(wǎng)絡(luò)應(yīng)該在給定的自然圖像中看到和看到的東西。習(xí)模塊：在上面的兩個(gè)模塊中，我解決了網(wǎng)絡(luò)具體看到的內(nèi)容。優(yōu)化模塊問題中，長短記憶模型用于學(xué)習(xí)序列之間的依賴關(guān)系，策略梯度算法用于優(yōu)化模型損失函數(shù)。包含在滑動(dòng)窗口中的物體的類別是鳥的概率大于某個(gè)閾值時(shí)，對(duì)應(yīng)的獎(jiǎng)勵(lì)值為1，否則獎(jiǎng)勵(lì)值為-1。習(xí)后，網(wǎng)絡(luò)能夠識(shí)別出最重要的圖像分類區(qū)域。文使用Tensorflow開源深度學(xué)習(xí)框架[4]來實(shí)現(xiàn)卷積架構(gòu)，并使用Python2.7版本來實(shí)現(xiàn)本文的算法。了加速網(wǎng)絡(luò)學(xué)習(xí)模型，本文檔中涉及的網(wǎng)絡(luò)模型均在NVIDIA GTX 1070顯卡上運(yùn)行，并使用訓(xùn)練程序中的參數(shù)初始化網(wǎng)絡(luò)參數(shù)權(quán)重。ImageNet：批處理大小為10，每個(gè)圖像均按比例縮放為448x448。絡(luò)的初始學(xué)習(xí)率是0.001，在進(jìn)行10，000次鍛煉后，學(xué)習(xí)率將降低0.1倍，電纜并且加權(quán)衰減因子設(shè)置為0.0002。用標(biāo)準(zhǔn)批量梯度下降算法優(yōu)化目標(biāo)函數(shù)，脈沖因子設(shè)置為0.95。1顯示了使用策略梯度算法最有可能影響圖像分類的區(qū)域，以及圖像的絕緣區(qū)域。上圖所示，本文中使用的注意力機(jī)制圖像分類方法可用于近似感興趣區(qū)域。對(duì)象檢測不同，此任務(wù)需要精確定位圖像中出現(xiàn)的對(duì)象框的位置。
　　意機(jī)制的圖像分類方法的目的是搜索區(qū)域最重要的是受分類結(jié)果的影響，而無需定位框架。1顯示了Cifar10和絕緣子的分類精度。以看出，本文提出的基于策略梯度的圖像分類算法的精度為93％，并且分類精度高于傳統(tǒng)的圖像分類算法。時(shí)，本文對(duì)Cifar 10數(shù)據(jù)集上的注意力機(jī)制的分類機(jī)制進(jìn)行了評(píng)估，基于注意力機(jī)制的分類算法的精度比傳統(tǒng)的注意力機(jī)制高1％。統(tǒng)分類算法。以看到圖1的可視化結(jié)果和表1的分類結(jié)果。文提出的注意力機(jī)制算法的分類性能優(yōu)于傳統(tǒng)的圖像分類算法。于絕緣損傷檢測算法，提出一種基于深度學(xué)習(xí)的基于注意力機(jī)制的圖像分類算法。算法基于強(qiáng)化學(xué)習(xí)策略梯度算法：當(dāng)使用代理掃描圖像以找到最重要的區(qū)域作為分類結(jié)果時(shí)，該區(qū)域被認(rèn)為是絕緣的大致區(qū)域。驗(yàn)表明，本文提出的基于注意力機(jī)制的圖像分類算法可以應(yīng)用于真實(shí)場景。
　　本文轉(zhuǎn)載自
　　電纜 http://jslianhai.cn