2026《基于卷积神经网络的电力设备目标检测算法分析案例》8100字.docxVIP

PAGE

PAGE1

基于卷积神经网络的电力设备目标检测算法分析案例

目录

TOC\o1-3\h\u1778基于卷积神经网络的电力设备目标检测算法分析案例 1

101071.1电力设备图像预处理 1

291761.1.1常用的去噪和图像增强算法 2

161701.1.2基于MSCRP算法的电力设备图像增强 4

324551.2电力设备图像标注 6

7101.3基于小样本的电力设备目标检测研究难点 7

176551.4基于SSD卷积神经网络的目标检测 7

40401.4.1VGG网络结构 7

182631.4.2网络结构层级 9

133381.4.3多尺度特征图分析 9

248821.4.4数据增强及小目标检测分析 10

140071.4.5损失函数及优化算法 10

150871.5基于YOLOv3和FasterR-CNN卷积神经网络的目标检测 12

36761.5.1YOlOv3卷积神经网络 12

267581.5.2FasterR-CNN卷积神经网络 13

1.1电力设备图像预处理

一般来说，采集的各种电力设备图像由于受到诸多不利条件的影响，如采集设备本身分辨率不够高、成像环境有电磁干扰、以及电力设备本身等诸多因素，设备图像往往和人眼看到的设备有所区别。图像质量不佳会增加图像检测中的无用信息从而在一定程度上减少有用信息的输入，导致检测质量不佳。因而需要对训练集中的图像进行预处理，尽可能地提高图像质量。

对图像质量改善的常用方法有图像去噪和图像增强。图像去噪主要是去除图像中的无用信息如噪点信息、电磁信息等，通过均值滤波、中值滤波、高斯滤波、双边滤波等算法能够一定程度上去除图像中干扰信息，使得图像中的目标更加清晰。图像增强的主要目标是让处理后的图像更易被识别，通过自适应算法如SSR、MSRCR、MSRCP等相关算法增强图像对比度以及补偿相应的亮度，使得目标能够较为清晰地展现出细节部分。通过对采集到的数据集电力设备图像进行分析可以得知，较多的图像均存在对比度不强，细节模糊等问题。造成以上问题的主要原因有四点：

(1)无人机在采集图像时，有所抖动，或者是当无人机处于黑夜中或是雾霾天气，周围光线较弱，采集的图像往往整体灰度值不均，对比度偏低。

(2)电力设备小目标与背景相融合。在变电站采集的图像中，往往会存在绝缘子或者是套管与周围背景相融合的问题。当处于日落或者是逆光状态，固定摄像头采集的图像整体对比度较低。

(3)电力设备反光问题。由于大多数的电力设备均由陶瓷或者是钢铁所加工而成，电力设备本身会出现一定的反光情况，从而增加了识别难度。

(4)红外图像有用信息较少。为了能够让模型较好地适应不同情况下的图像，在数据集中加入了部分红外图像。但是通过对比可以发现，红外图像中目标边缘信息较少，轮廓不清，相对于可见光图像信息较少。因此有必要对图像进行预处理，降低噪声、提高对比度，让电力设备目标更为清晰。

1.1.1常用的去噪和图像增强算法

(1)均值滤波去噪算法

均值滤波又被称为邻域平均法，是常用的空域滤波算法。主要目标是去除图像信息中的无关以及干扰信息如噪声信息。均值滤波算法的主要原理为，采取邻域多像素平均灰度值代替中心点像素的灰度值。其算法公式如式(3-1)所示：

(3-1)

S是以(x,y)为核心像素点的邻域，其大小可以自由设定，一般设定为单位距离为半径的四邻域或者是以倍单位距离为半径的八邻域。M为邻域中的像素总数。均值滤波的优势在于处理图像时间短，效率高，同时也会在一定程度上降低图像清晰度。所选邻域如果较小，则达不到处理噪声的目的，但如果选取较大，噪声处理效果较为明显，但同时图像清晰度也会降低。

(2)中值滤波去噪算法

中值滤波属于非线性滤波。不太适用于消除具有类似于拥有高斯噪声的图像噪声，而是较为适用于消除图像中的孤立噪声点。中值滤波的基本算法思想为，将窗口中的像素灰度按顺序排列，把原来中心像素点的灰度值更改为中心点处的灰度值，其公式如式(3-2)所示：

(3-2)

一般选取3×3作为窗口初始大小尺寸，然后继续扩大窗口大小，直到滤波效果满足实验目标需求为止。当目标图像细节纹理较为复杂时，尤其是当点、线、尖顶较多时，部分边缘纹理容易受到破坏。

(3)双边滤波去噪算法

双边滤波去噪算法是一种非线性滤波算法，可以同时关注图像的空域和频域两方面的滤波。该方法可以较好地保留图像中目标的边缘信息。其输出像素值由邻域的像素灰度值加权而成。其公式如式(3-3)所示：