论文部分内容阅读
高压输电塔是电力输送系统中最重要的基础设施之一,其运行状态决定着整个电网的运行稳定和安全,对其进行检测识别是高压输电塔运行状态监测的基础,也是高压输电线路监测的重要部分。另一方面,随着光学遥感技术的迅猛发展,卫星图像的分辨率和质量越来越高,利用光学遥感图像进行电网输电线路运行状态的广域监测已成为遥感应用研究的发展方向。传统检测识别方法的人工设计特征过程复杂,尽管可以通过卷积网络并利用深度学习的方法构建端到端检测识别模型,但在实际应用中通常难以满足深度学习对数量和标注质量的要求。本文即是针对该问题,开展目标域小样本数据库及网络框架设计、基于深度迁移学习的高压输电塔检测识别方法研究,并开展实验验证及分析。主要研究工作如下:(1)目标域数据库及网络框架设计。针对实际应用中难以满足深度学习对大量且高质量标注样本需求的问题,通过对筛选真实数据集的旋转和翻转、亮度和饱和度变化、扭曲变形、缩放等操作,实现目标域小样本数据增强,降低模型对数据完整覆盖性的要求,为后续检测识别模型迁移提供必要的数据支持。另一方面,结合卷积神经网络基本理论、经典卷积网络的研究与分析,选取Inception特征提取模块和RPN区域推荐模块构建多尺度融合特征的目标检测识别神经网络,实现面向目标域小样本的遥感图像高压输电塔端对端检测识别深度卷积神经网络框架设计,为后续基于深度迁移学习的高压输电塔检测识别网络卷积层参数设计提供基础支持。(2)基于深度迁移学习的高压输电塔检测识别方法研究。为实现端到端检测识别以及进一步降低模型对数据样本的需求,在模型参数层面开展基于多任务学习和微调的深度迁移学习方法研究,并给出迁移学习的方法流程。在网络框架设计的基础上对深度网络的功能模块进行设计,给出网络的各层参数设计,并确定损失函数,在对经典网络经验总结基础上进行超参数设定。综合考虑导数计算的高效性、模型参数的收敛性、网络更新的稳定性等因素,选择SGD(批量梯度下降)与Momentum(动量)方法组合进行参数更新。为满足目标域数据和源域数据在模型底层特征相似的要求,选择遥感算法大型开发和测试数据DOTA数据集作为微调源域数据,并完成网络训练,实现基于目标域小样本的高压输电塔端到端检测识别。(3)高压输电塔检测识别算法实验验证。在对基于深度迁移学习的高压输电塔检测识别方法实现的基础上,对现有真实遥感数据进行增强获取测试数据集,利用混淆矩阵,统计分析电塔倒塌、截断、正常等目标不同状态、不同背景类型、不同光照、目标不同大小以及是否迁移等情况下的检测识别准确率、精确率、查全率等性能指标。实验结果表明:尽管在目标域小样本条件下,本论文提出的高压输电塔检测识别算法仍具有较高的检测识别概率,可为实际高压输电线路运行状态监测与告警提供科学依据与技术支持。