基于卷积神经网络的电力设备热故障识别.pdfVIP

摘 要 电力设备具有尺寸大小不一，视觉难以提取等特点，针对这一特点一般采用 ShotMultiBox 特征金子塔结构模型对其进行识别，一般的Single Detector(SSD)、 Feature Networksfor Pyramid Object Object Feature 面。因此本文采用拥有多尺度与多层次的Multi—Level Pyramid Network(M2DET)模型对电力设备热故障进行识别。 本篇文章首先介绍了电力设备热故障检测与卷积神经网络的研究背景及发展 现状，概述了卷积神经网络的相关理论和算法原理，并对M2DET的模型结构进 行了详细分析。针对M2DET模型进行了三个方面的详细讨论与实验分析，首先 对比了置信度的选取对于识别精度的影响，将置信度分别设置为0．3、0．4、0．5进 行比对分析。通过对比实验发现当把置信度设为0．5时，平均精度值相对于O．3 与0．4分别提高了0．18％与0．57％。此外，本文优化选取了批量大小，将批量大小 分别设置为2、4、8。并将置信度统一设为O．5进行选取，实验结果表明当置信度 为0．5，批量大小为4时检测效果最优。最后将M2DET模型与传统的SSD模型 进行比对，相比较于传统的SSD模型，M2DET模型的平均检测精度值提高了 3．3％，检测精度有很大提升。本文基于JetsonNano平台对电力设备热故障识别进 Nano 行了研究。首先介绍了选取JetsonNanob01的原因，Jetsonb01拥有CUDA 核心可以更加方便的移植GPU算法。为了能够将目标检测模型在该设备上运行， 对本文所采用的主干网络VGG．16进行剪枝，最后分析了TensorRT加速算法的过 程与步骤，并通过TensorRT加速算法对模型进行加速。测试表明在该嵌入式平台 上，每张红外图像平均检测时间为0．34s，符合预期检测要求。 综上所述，本文结合了嵌入式平台，主要针对电力设备热故障的目标识别方 法进行了研究与优化，研究结果对电力设备热故障识别系统有重要的参考意义。 图[43】表【9】参[66】 Nano；热故障 关键词：变电站电力设备；红外图像；M2DET；Jetson 分类号： (TN919．6)； 目 录 摘 要……………………………………………………………………………………………………I Abstract…．……．．．……．……．…．…．…．．…．……．……．．……………．．．……．…．……．．………．．．．…．．…．．…．III 目 录………………………………………………………………………………………………………………V Contents．…．．…．．……．………．．…．…．…．…………．…………．……．…．．……．．．．…．．…．…．．…．…．……．．…．．V l绪{仑………………………………………………………………………………………………………………．1 1．1课题研究背景及意义…………………………………………………………l 1．2国内外研究现状………………………………………………………………2 1．2．1红外热故障检测技术研究现状………………………………………．2 1．2．2卷积神经网络研究现状………………………………………………．3 1．3本文面临的难点………………………………………………………………5 1．4本文主要工作…………………………………………………………………6 1．5本文组织结构…………………………………………………………………6 2电力设备热故障识别相关理论……………