基于卷積神經(jīng)網(wǎng)絡的變電站監(jiān)控圖像識別方法研究.pdf

1、隨著電力系統(tǒng)生產(chǎn)自動化水平的不斷提高，越來越多的變電站實現(xiàn)了無人值守運行模式，采用數(shù)字圖像處理技術對監(jiān)控圖像進行分析與識別，大大提高了無人值守變電站運行的安全性和可靠性。為了實現(xiàn)對變電站監(jiān)控圖像智能識別的任務，采用深度學習技術為解決該問題提供了一個重要的方向。深度學習模仿人腦的視覺機制來學習樣本數(shù)據(jù)之間的內(nèi)在規(guī)律和表示層次，能夠深刻表達數(shù)據(jù)的本質(zhì)特征，是機器學習領域中一個備受關注的研究方向。卷積神經(jīng)網(wǎng)絡是深度學習模型中最為高效的一種圖像

2、識別技術，可以直接將原始圖像作為網(wǎng)絡的輸入，對于識別具有旋轉(zhuǎn)、平移、縮放或者其他扭曲不變形式的物體有很好的魯棒性。本文在對卷積神經(jīng)網(wǎng)絡進行深入理論研究的基礎上，將其應用于變電站監(jiān)控圖像的異常識別中。
　　本文基于線性修正函數(shù)和柔性光滑函數(shù)的優(yōu)點，提出了一種使用非線性修正函數(shù)作為神經(jīng)元激勵的方法，非線性修正函數(shù)不僅具備稀疏表達的能力，而且將大于零的數(shù)據(jù)進行了非線性映射，加快了網(wǎng)絡收斂速度，并且提高了識別準確率；根據(jù)矩陣的奇異值分解對

3、于圖像的幾何失真具有高度不變性的原理，考慮到圖像信息的主要能量集中于奇異值中較大的幾個，提出一種基于矩陣2-范數(shù)的池化方法，它是將卷積層的特征圖劃分為若干個互不重疊的子塊圖像，然后分別計算子塊圖像矩陣的奇異值，將矩陣的最大奇異值作為池化區(qū)域統(tǒng)計結果，該方法將圖像的能量信息作為下一層網(wǎng)絡傳播的特征，仿真結果表明該方法具有更高的識別率，可以反映隱含在圖像中的能量信息特征；通過構建人員闖入、誤入限制或者危險區(qū)域的變電站監(jiān)控圖像異常狀況的卷積神