基于迁移学习的小样本输电线路巡检图像处理方法

电力巡检无人机提供大量的巡检图像，但由于电力设备故障稀少，其中只有少量的设备缺陷故障图像可供使用。为了提高设备缺陷故障识别精度并减少训练过拟合问题，首先介绍了基于迁移学习的小样本电力巡检图像处理方法，通过图像裁剪、翻转、旋转等数据增强技术对小样本图像进行扩充，同时采用生成对抗网络（GAN）来扩充基础样本；并使用迁移学习技术，将基于大规模图像数据的预训练深度卷积模型进行定制，调整该神经网络模型的输入层和最后两层参数，并对超参进行调优。实验结果表明，巡检设备故障（如导线断股和绝缘子串脱落等）准确匹配度近95%，证明了小样本学习和迁移学习在输电线路巡检图像处理中具有可行性。...

Full description

Saved in:
Bibliographic Details
Published in全球能源互联网 Vol. 2; no. 4; pp. 409 - 415
Main Authors 陆继翔, 李昊, 徐康, 徐弘升, 杨志宏
Format Journal Article
LanguageChinese
Published Editorial Office of Journal of Global Energy Interconnection 01.07.2019
Subjects
图像识别
小样本
数据扩充
生成对抗网络
输电线路
迁移学习
Online AccessGet full text
ISSN2096-5125
DOI10.19705/j.cnki.issn2096-5125.2019.04.012

Cover

More Information
Summary:电力巡检无人机提供大量的巡检图像，但由于电力设备故障稀少，其中只有少量的设备缺陷故障图像可供使用。为了提高设备缺陷故障识别精度并减少训练过拟合问题，首先介绍了基于迁移学习的小样本电力巡检图像处理方法，通过图像裁剪、翻转、旋转等数据增强技术对小样本图像进行扩充，同时采用生成对抗网络（GAN）来扩充基础样本；并使用迁移学习技术，将基于大规模图像数据的预训练深度卷积模型进行定制，调整该神经网络模型的输入层和最后两层参数，并对超参进行调优。实验结果表明，巡检设备故障（如导线断股和绝缘子串脱落等）准确匹配度近95%，证明了小样本学习和迁移学习在输电线路巡检图像处理中具有可行性。
ISSN:2096-5125
DOI:10.19705/j.cnki.issn2096-5125.2019.04.012