基于深度学习的图像模式识别技术在无人机电力线路巡线中的应用研究.pptx

基于深度学习的图像模式识别技术在无人机电力线路巡线中的应用研究项目背景关于本项目的开题背景、研究目标等的简述项目背景电力线路巡线是我国电网中的一项重要且消耗人力物力较大的工作传统电力线路巡线方法难度大、危险性高，且效率较低基于深度学习的图像识别方案的识别准确率高，可移植性强可以由本项目衍生出多种应用方案深度学习框架Caffe关于开源深度学习框架Caffe的简介Convolutional Architecture for Fast Feature Embedding（卷积神经网络框架）由伯克利视觉和学习中心（BVLC）开发基于C++/CUDA/Python开发完全开源、速度快、有一整套工具集用于模型训练预测等Caffe的训练模型——基于“层”“层”的定义自顶向下为：数据层（Data Layer）卷积层（Convolution Layer）下采样层（Pooling Layer）全连接层（Inner Product Layer）非线性层（Rectified Linear Unit）分类准确率层和损失层（仅限训练预测中）训练过程网络初始化训练——前向传播训练——反向传播训练——梯度更新研究过程关于本科创过程中的探究过程平台搭建运行环境基于在Github上Caffe的caffe-windows分支操作系统环境：Windows 7 Ultimate硬件环境：NVIDIA GeForce GTX 970m硬件加速：NVIDIA CUDA 8.0 cuDNN v4编译环境：Microsoft Visual Studio 2013编译Caffe——Caffe.sln的组织结构编译顺序：项目libcaffe主要依赖项项目caffe被个别工具依赖最后编译其他14个工具运行手写体数字分类例程——MNIST机器学习领域的“Hello, world”MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片使用预设参数训练，分类准确率为99%左右运行电力线数据集制作电力线路数据集本项目主要工作量之一，历时一个月。共制作了2100张图片，其中1500张图片用于训练、500用于测试、100用于单张分类测试，涵盖各种情况下的电力线图像，如：各种走向的线路或图像中无线路各种颜色的天空背景混杂有直接干扰图像迭代调节层定义采用LeNet模型本项目主要工作量之一，历时一个多月参数包括：各隐含层的层重叠层次顺序和层参数迭代调节训练超参数主要参数包括：base_lr – 网络的基础学习速率，每个层会微调lr_policy– 学习速率衰减策略gamma – 学习速率衰减常数momentum – 遗忘因子，平滑权值增量weight_decay – 网络基础学习权衰量训练和识别情况图像分类测试工具：classification.exe原理：caffe.exe在训练过程中会形成模型快照，根据当前超参数设置为5000次迭代记录一次快照，快照文件为*.caffemodel格式，我们采用10000次迭代结束时的快照文件，以二进制形式记录了训练后的权重情况其他描述文件：均值描述文件、标签文件、分类的层定义文件（调整训练预测层定义的I/O即得）应用前景关于本研究成果潜在的应用前景应用前景可将本技术运用在无人机电力巡线上，实现无人机自动巡线导航将收集的图片进行按存在性分类，分类中得到的存在电力线路的图片可用于进一步的损坏检测不足与对策关于本科创在研究过程中发现的问题以及解决方案一点不足神经网络层参数和训练超参数还没有达到最佳训练数据的量仍不够大训练图像本身中仍有瑕疵，导致训练效果不佳解决方案在现有的基础上继续进行训练参数的调试和修正继续扩充训练数据的数据量，制作更多样本在已有的训练样本中去除可能会导致训练效果变差的样本在制作新的样本时注意质量和种类，要涵盖各种场景背景下的电力线路识别的情况。基于深度学习的图像模式识别技术在无人机电力线路巡线中的应用研究谢谢