基于迁移学习的小样本输电线路巡检图像处理方法
电力巡检无人机提供大量的巡检图像，但由于电力设备故障稀少，其中只有少量的设备缺陷故障图像可供使用。为了提高设备缺陷故障识别精度并减少训练过拟合问题，首先介绍了基于迁移学习的小样本电力巡检图像处理方法，通过图像裁剪、翻转、旋转等数据增强技术对小样本图像进行扩充，同时采用生成对抗网络（GAN）来扩充基础样本；并使用迁移学习技术，将基于大规模图像数据的预训练深度卷积模型进行定制，调整该神经网络模型的输入层和最后两层参数，并对超参进行调优。实验结果表明，巡检设备故障（如导线断股和绝缘子串脱落等）准确匹配度近95%，证明了小样本学习和迁移学习在输电线路巡检图像处理中具有可行性。...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Office of Journal of Global Energy Interconnection
2019-07-01
|
| Series: | 全球能源互联网 |
| Subjects: | |
| Online Access: | http://www.gei-journal.com/cn/upload/files/2019/7/13基于迁移学习的小样本输电线路巡检图像处理方法.pdf
|
| _version_ | 1818478294652157952 |
|---|---|
| author | 陆继翔 李昊 徐康 徐弘升 杨志宏 |
| author_facet | 陆继翔 李昊 徐康 徐弘升 杨志宏 |
| author_sort | 陆继翔 |
| collection | DOAJ |
| description | 电力巡检无人机提供大量的巡检图像，但由于电力设备故障稀少，其中只有少量的设备缺陷故障图像可供使用。为了提高设备缺陷故障识别精度并减少训练过拟合问题，首先介绍了基于迁移学习的小样本电力巡检图像处理方法，通过图像裁剪、翻转、旋转等数据增强技术对小样本图像进行扩充，同时采用生成对抗网络（GAN）来扩充基础样本；并使用迁移学习技术，将基于大规模图像数据的预训练深度卷积模型进行定制，调整该神经网络模型的输入层和最后两层参数，并对超参进行调优。实验结果表明，巡检设备故障（如导线断股和绝缘子串脱落等）准确匹配度近95%，证明了小样本学习和迁移学习在输电线路巡检图像处理中具有可行性。 |
| first_indexed | 2024-12-10T09:46:13Z |
| format | Article |
| id | doaj.art-6982f1e711e74642902c40635e55bac8 |
| institution | Directory Open Access Journal |
| issn | 2096-5125 |
| language | zho |
| last_indexed | 2024-12-10T09:46:13Z |
| publishDate | 2019-07-01 |
| publisher | Editorial Office of Journal of Global Energy Interconnection |
| record_format | Article |
| series | 全球能源互联网 |
| spelling | doaj.art-6982f1e711e74642902c40635e55bac82022-12-22T01:53:49ZzhoEditorial Office of Journal of Global Energy Interconnection全球能源互联网2096-51252019-07-012440941510.19705/j.cnki.issn2096-5125.2019.04.012基于迁移学习的小样本输电线路巡检图像处理方法陆继翔0李昊1徐康2徐弘升3杨志宏41.南瑞集团公司，江苏省 南京市 211106；2.智能电网保护与运行控制国家重点实验室，江苏省 南京市 2111061.南瑞集团公司，江苏省 南京市 211106；2.智能电网保护与运行控制国家重点实验室，江苏省 南京市 2111061.南瑞集团公司，江苏省 南京市 211106；2.智能电网保护与运行控制国家重点实验室，江苏省 南京市 2111061.南瑞集团公司，江苏省 南京市 211106；2.智能电网保护与运行控制国家重点实验室，江苏省 南京市 2111061.南瑞集团公司，江苏省 南京市 211106；2.智能电网保护与运行控制国家重点实验室，江苏省 南京市 211106电力巡检无人机提供大量的巡检图像，但由于电力设备故障稀少，其中只有少量的设备缺陷故障图像可供使用。为了提高设备缺陷故障识别精度并减少训练过拟合问题，首先介绍了基于迁移学习的小样本电力巡检图像处理方法，通过图像裁剪、翻转、旋转等数据增强技术对小样本图像进行扩充，同时采用生成对抗网络（GAN）来扩充基础样本；并使用迁移学习技术，将基于大规模图像数据的预训练深度卷积模型进行定制，调整该神经网络模型的输入层和最后两层参数，并对超参进行调优。实验结果表明，巡检设备故障（如导线断股和绝缘子串脱落等）准确匹配度近95%，证明了小样本学习和迁移学习在输电线路巡检图像处理中具有可行性。http://www.gei-journal.com/cn/upload/files/2019/7/13基于迁移学习的小样本输电线路巡检图像处理方法.pdf 小样本迁移学习输电线路数据扩充生成对抗网络图像识别 |
| spellingShingle | 陆继翔 李昊 徐康 徐弘升 杨志宏 基于迁移学习的小样本输电线路巡检图像处理方法 全球能源互联网 小样本 迁移学习 输电线路 数据扩充 生成对抗网络 图像识别 |
| title | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| title_full | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| title_fullStr | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| title_full_unstemmed | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| title_short | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| title_sort | 基于迁移学习的小样本输电线路巡检图像处理方法 |
| topic | 小样本 迁移学习 输电线路 数据扩充 生成对抗网络 图像识别 |
| url | http://www.gei-journal.com/cn/upload/files/2019/7/13基于迁移学习的小样本输电线路巡检图像处理方法.pdf
|
| work_keys_str_mv | AT lùjìxiáng jīyúqiānyíxuéxídexiǎoyàngběnshūdiànxiànlùxúnjiǎntúxiàngchùlǐfāngfǎ AT lǐhào jīyúqiānyíxuéxídexiǎoyàngběnshūdiànxiànlùxúnjiǎntúxiàngchùlǐfāngfǎ AT xúkāng jīyúqiānyíxuéxídexiǎoyàngběnshūdiànxiànlùxúnjiǎntúxiàngchùlǐfāngfǎ AT xúhóngshēng jīyúqiānyíxuéxídexiǎoyàngběnshūdiànxiànlùxúnjiǎntúxiàngchùlǐfāngfǎ AT yángzhìhóng jīyúqiānyíxuéxídexiǎoyàngběnshūdiànxiànlùxúnjiǎntúxiàngchùlǐfāngfǎ |