电力论文哪里有？本文前期以大量的文献和国内外研究现状为理论基础，分别对比分析现有的图像拼接算法和基于深度学习的目标识别算法，选择基础算法和网络模型；随后针对研究内容，考虑到应用在水电站的适用性问题，梳理基础算法和网络模型的缺点，对现有方法进行优化；后期以实验为主，借助大量的实验证明本文研究内容的可行性和适用性。
1 绪论
1.2 国内外研究现状
图像处理技术是一种使用计算机对图像信息进行处理的技术，该技术不仅可以识别表计和信号灯的指示信息，还可以识别设备外观缺陷、漏油、放电等现象[6]。巡检人员可以借助该技术更好地展开电力巡检工作，大幅提升巡检的准确性和效率性。
随着智能化的深入，传统的图像处理技术不能很好的监测水电站设备，容易出现巡检不到位、设备漏检、检测错误的情况，这会在系统安全运行方面带来巨大隐患。电气设备的故障检测关键在于对影像中的设备进行实时识别和判断，因此采用基于深度学习的目标识别技术是十分必要的[7]。基于深度学习的目标识别技术通过海量图像，构建卷积神经网络。随后经过多层神经网络正反向训练优化识别模型，实现设备的精准识别，从而精准筛选出故障部位。
与此同时，随着无人机、巡检摄像头的快速发展，人们可以更加方便的获取高分辨率水电站设备影像。但是受限于摄像头的高度和焦距，单幅图像不易展现整个待测区域的信息。单纯依靠调节相机焦距来拍摄全景图像会牺牲图像的分辨率同时导致图像失真。若采用专业全景摄像头，虽然提升了影像的清晰度，但设备成本维护费用较高。为此本文采用图像拼接技术将设备采集到的多幅有重叠区域的小视角单张图片拼接成一幅高分辨率的全景图像。为后续的设备识别分析做基础。
3 基于改进 Faster RCNN 的图像识别技术
3.1 基于深度学习的目标识别技术
3.1.1 卷积神经网络
随着深度学习在目标识别技术方面的不断发展，研究人员也在不断优化卷积神经网络的各个方面，以提升分类效果。目前，检测效率较高的目标识别算法基本上来自卷积神经网络。卷积神经网络是一种神经网络模型，最早于 1989 年由美国学者 Yann Lecun 提出。该网络模型结构简单，由多层网络层构成，每一层都是由若干个神经元结合而成，若干的神经元组成了特征图，这些特征图又构成了卷积神经网络的每个层。
池化层(Pooling)是深度学习卷积神经网络的一个重要模块，主要功能是处理输入信息，实质是完成输入信息的降采样工作，主要以降低维度的形式完成信息处理，如图如图 3-3 所示。同时，在图像识别过程中，当图像的位置角度发生变化，池化层可以保持输出信息稳定，具有一定抗干扰性。另外经过池化层的处理，可以有效较少待训练参数，从而减少不必要的特征，降低神经网络计算量，大幅提升训练速度。池化存在多种形式，一般分为最大采样(Max Pooling)、均值采样(MeanPooling)和随机采样(Random Pooling)三种。
4 水电站电气设备智能巡检技术
4.1 水电站电气设备巡检数据集
由于目前没有公开的电气设备数据集，在进行目标识别网络训练和检测工作前需要自行建立一个包含待检测目标的数据集。水电站内电气设备主要包括变压器、水轮机等发电设备和电压互感器、电流互感器、绝缘子、套管等供电设备。本文选择主变压器、电压互感器、电流互感器、绝缘子、螺帽、断路器作为检测目标，几种设备涵盖了水电站常见的输供电设备，具有一定代表性。上述电气设备本体及标注规则对应情况如下表所示：
4.2 训练方案
水电站内待巡检电气设备数据集准备工作完成后，需使用优化的 Faster RCNN模型对水电站电气设备数据集训练，主要测试网络精度、识别能力和识别效率三个方面。首先对训练集中的图像使用旋转、镜像、剪裁等方法进行数据扩增。再采用去均值法剔除训练集中重复的图像，然后以 VGG-16 为骨干网络，使用迁移训练训练基于 FPN 算法的优化网络模型。根据计算结果不断调整模型参数，待网络模型收敛后，取最终网络结构作为正式识别模型。本文对改进模型进行了训练及测试，如图 4=3 所示为优化模型的 LOSS 曲线。
Loss 曲线是一种显示预测目标值和实际目标值差值的曲线，其计算函数称为损失函数，根据 Loss 曲线可以直观的观察到训练的变化过程，如图 4-4 所示。由图可知，随着模型训练次数不断累加，网络的损失函数逐渐趋于平稳，在经历 20000次迭代后，网络开始呈现收敛状态，具有良好的收敛性。本文对 Faster RCNN 模型多个模块进行优化，所以在卷积训练过程中，参数可以不断被优化，从而损失函数不断减小，最终生成一个更加优秀的目标检测网络模型。
5 总结与展望
本文对基于图像处理技术的水电站设备识别做了深入的研究，其中该研究的核心技术就是利用图像拼接技术和基于深度学习的图像识别技术解决水电站内海量设备图像识别问题，本文从具体的算法研究和实际应用两方面开展研究。
本文利用 AKAZE 算法良好尺度适应性的优势，引入TANIMOTO 相似度约束条件，有效解决传统算法出现的匹配点对错误等问题，并结合加权融合算法，选择最优拼接方案，最终实现了多张图像无缝、稳定拼接的效果，为后续的目标识别技术做好准备。随着深度学习的快速发展，出现了大量优秀的基于深度学习的目标识别模型。为此，本文针对水电站变电设备形状各异，部件体积小的问题，通过各种模型的适用性分析结果，最后采用 Faster RCNN 网络模型进行图像识别，由于 RPN 网络只选择最深的图层作为特征层，导致细节信息丢失，Faster RCNN 网络模型无法识别一些小部件电气设备。为解决上述问题，本文在 Faster RCNN 网络模型基础上，保留多层特征信息，选择 soft NMS 剔除重叠的 ROI 区域，提升高计算精度，其次采用 ROI Align 保留 Proposal 的特征一致性，最后达到良好的识别效果。
本文前期以大量的文献和国内外研究现状为理论基础，分别对比分析现有的图像拼接算法和基于深度学习的目标识别算法，选择基础算法和网络模型；随后针对研究内容，考虑到应用在水电站的适用性问题，梳理基础算法和网络模型的缺点，对现有方法进行优化；后期以实验为主，借助大量的实验证明本文研究内容的可行性和适用性。
参考文献（略）
