本文是一篇电气自动化论文，本文利用递归卷积神经网络（R-CNN）目标检测算法对构建的数据集进行识和定位，数据集包括正常绝缘子和破损绝缘子，并通过微调方法，验证了破损绝缘子的识别和精准定位。
第1章绪论
1.1研究背景及意义
近年来，随着科技的进步，在电力系统巡线工作中，正在尝试各种各样的新方法，为了防止电力线事故的发生，电网运维部门每年都例行投入大量的人力、物力、财力对电力线进行检查。我国目前的输电线路巡检工作主要依靠线路巡视人员乘坐交通工具到达工作现场，再徒步进行人工巡检，通过人眼或手持测量仪器检查线路设备是否存在缺陷，该传统输电线路巡检模式需投入的巡视人员多、人力劳动强度大、巡视周期长，对巡视人员专业水平有一定要求，存在人工地面视觉盲区，且缺陷发现率低，传统人工巡视的方式已无法匹配智能电网的发展方向，超高压、特高压电网需要安全、先进、高效的电力线路巡检方式。
无人机巡检在电力系统输电线路运维中的投产使用是近年来的一种新技术应用，是较传统人工输电线路巡检的一次技术革新，是目前国内电力系统输电线路巡检的新模式，目前输电线路巡检的发展趋势将以“机巡为主，人巡为辅”的巡检模式转变。在输电线路带电运行的状态，通过导入输电线路设备现场经纬度、高程、输电线路设备参数信息，使无人机自行与带电体保持足够安全距离，到达指定的空间位置，并自主拍摄巡检图片，获取设备缺陷图片。通过搭载红外测温仪、喷火、及喷水装置还可实现无人机对输电线路设备的红外测温数据采集、异物清理等。无人机巡检有着便捷、高效、弥补传统人工地面巡视盲区、降低人员劳动强度等优点，能快速准确清晰多角度的采集现场信息，无人机能高效率的执行巡线任务[1-5]。这种方法较人工巡检来说，提高了缺陷发现率，因此这种方法越来越多地被应用到电力设备巡检中，给电力设备检修工作带来了便利。同时，无人机巡检为电力线路提供了一种较载人直升机巡检更为安全和经济的巡线、维护手段，为电网安全运行带来巨大的经济效益和社会效益。无人机巡检作为一种新型巡检技术，能弥补传统人工巡检不足，提高输电线路巡检的效率，具有良好的应用前景[6-8]。
............................
1.2国内外研究现状及发展趋势
1.2.1绝缘子的故障检测方法
在输电线路的实际运行中，绝缘子在遇到大温差、雷击、高温情况时，大概率会出现老化、脱落、裂纹等失效问题。若出现这些故障将会损害电力线路的使用和运行寿命、降低绝缘性能，而且将严重影响电力系统的正常运行。
早期的研究人员大多利用传统的图像识别和机器学习方法对破损绝缘子进行定位和识别。Yong-Zhi Jing等人提出了基于红外图像的深度学习并结合了支持向量机的方法[14]，对绝缘子进行检测，实验证明了该方法可达到实验表明可达到93%的准确率；Tian-tianYan等人基于FPGA设计了一种高压绝缘子探测机器人检测系统，采用步进电机作为机器人运动关节的驱动，FPGA作为主控单元进行步进电机控制、信号采集和无线通信控制机器人在59秒内探测到了10个绝缘体[15]；Sheng-long Liao等人采用的是传统方法中人为特征中的HOG、LBP和PCA方法，并提出了一种特征融合绝缘子检测算法，实验表明提高了在复杂背景下绝缘子的检测准确率[16]。
1.2.2人工智能的发展现状
当前，神经网络算法已被广泛应用于计算机视觉编程中，计算机视觉的功能日益增强，可以有效地区分人的面部特征。视觉识别任务，如图像分类、定位和检测，是这些应用中的核心组成部分，而卷积神经网络(CNN)的最新发展已经在这些最先进的视觉识别任务和系统中带来了卓越的性能，因此，CNN现在成为计算机视觉中深度学习算法的核心。传统CPU的较差的计算能力导致对计算的要求不令人满意，并限制了计算机视觉行业的发展。随着集体计算GPU的发展，并行计算的问题已得到解决，数据处理的规模和计算速度得到了显着提高。在过去，算法是人为设定的，存在一定的局限性，不能保证识别的准确性。通过使用深度学习算法，可以更改计算机视觉识别逻辑。计算机可以通过汇总和完善大量的实际行为数据来自调整规则中的各种参数。根据相关研究，通过深度学习算法的应用，可以实现95％以上的图像识别精度[17-19]。
................................
第2章基于深度学习的目标检测方法
2.1目标检测概述
计算机视觉技术在人类日常生活中扮演着非常重要的角色，尤其在最近几年里，随着人工智能技术的快速发展，以及计算机硬件系统处理能力的飞速提高，基于计算机视觉的目标检测技术在军事、民用等各个领域都得到了越来越广泛的研究与应用，涉及到人脸识别、无人驾驶、目标跟踪、智慧交通等各个领域。
目标检测技术和SVM有相似的地方，基本的框架如图2-1所示。首先对用大量的目标和非目标样本图像进行训练，通过对图像进行某些线性或者非线性的变化可以得到特征，然后通过对图像采用窗口扫描法，得到感兴趣区域，并通过非极大值抑制将得分高的候选框保留为最终目标。传统的目标检测的方法有主要是AdaBoost算法、HOG特征和支持向量机等[26]。由于背景的复杂性和目标自身形态上的变化，要使计算机准确并快速地检测出图像中的目标具有较大的难度，由于在目标区域定位上浪费了很多时间，导致检测速度降低，准确率的效果也不明显，于是深度学习的出现，目标检测有了新的突破。2012年10月，Hinton使用深度学习中的CNN（Convolution neural network）方法，并改进了分类效果，在ImageNet[27]识别挑战上，以第一名的成绩脱颖而出，大大减少了错误率，提高了图像分类的性能。
电气自动化论文怎么写
...........................
2.2基于传统图像处理算法的目标检测
2.2.1人为特征
在图像处理和模式识别领域中，对图像的处理提取合适的描述属性及图像特征，非常关键的一步，图像特征提取过程如图2-2所示。首先，对图像进行初步处理，再根据图像的重要特征提取参数，提取到的特征进一步抽象化，经过分类函数，实现模式识别和图像理解。图像的特征主要是分为两大类，自然特征和人为特征。自然特征包括本身的颜色、轮廓、文理等；而人为特征因有人的参与，如图像频谱图和直方图等。
人为特征大体分为LBP（Local Binary Pattern）特征、HOG（Histogram of orientedgradients）特征、Haar特征。三种人为特征模板如图2-3所示。LBP称为局部二值模式，它的优势于旋转不变性、灰度不变性。因为该特征的简单而且容易计算，虽尽管其总体效果不如Haar功能，但它比Haar更快，因此也已被广泛使用。通过图2-3（a）可知，LBP特征是将模板中心像素值作为一个基准值，然后将模板中心除外的周围其他像素值与这个基准值进行比较，大于这个基准值为1，小于或等于则为0。中心点像素值是十进制数，它始于模板的左上角，对应顺时针方向转动获得的二进制。LBP特征的旋转不变性、灰度不变性的提出自Ojala[28]等人，光照对于LBP特征来说具有很强的鲁棒性，并且对物体的纹理特征有针对性，当物体的纹理与背景纹理相类似时，检测效果会降低。
HOG（Histogram of oriented gradient）特征的含义是方向梯度直方图特征，该特征的形成来自计算、统计局部区域的梯度方向直方图。第一步先将图像分为若干个连通区域（也称细胞单元）。第二步就是采集单元每一个像素点梯度、边缘方向直方图，再组合直方图，可以形成特征描述符，HOG特征如图2-3（b）所示，该Block在窗口滑动并包含多个单元格。Block的梯度直方图就是串联块中全部单元的梯度直方图，想要使获得的照明和阴影足够稳定，需要与规范化窗口内重叠的块对比，HOG特征描述就是窗口全部块的序列梯度直方图，只要滑动窗口就能获得图片的HOG特征。同时，目标的边缘特征也别它所采集，且它对图像中的噪声敏感。由图2-3（c）可知5种基本的Haar（Haar-like features）特征，每种特征的特征值由白色区域的像素和减掉蓝色区域的像素和。
.................................
第3章基于R-CNN的破损绝缘子检测研究.........................24
3.1基于R-CNN的绝缘子检测框架设计...............................24
3.1.1迁移学习.......................................24
3.1.2候选目标区域生成方法...............................24
第4章基于Raspberry Pi 4b的R-CNN目标检测硬件实现..............36
4.1 Raspberry Pi 4b平台介绍.......................................36
4.2 Neural Compute Stick2介绍.............................37
4.3破损绝缘子检测网络在树莓派上的实现.....................39
第5章总结与展望...................45
5.1总结......................................45
5.2展望......................................45
第4章基于Raspberry Pi 4b的R-CNN目标检测硬件实现
4.1 Raspberry Pi 4b平台介绍
随着科技进步的发展，深度学习技术和嵌入式设备领域也逐渐有交叉，将来对嵌入式产品的发展，机器学习与人工智能将会发挥越来越重要的作用。嵌入式系统由于其硬件和软件（也称为固件）的组合而被称为集成系统，它使用微控制器/微处理器执行单个作业，从技术上讲，微控制器是一种智能设备，可以计算任务执行时间并以有效的方式分配用户分配的内存资源。树莓派具有体积小、功耗量低、集成性相对较高的优点[42]。
电气自动化论文参考
树莓派（Raspberry Pi)是由慈善组织树莓派基金会于2012年注册和开发的一款单板卡片式计算机，同时也是一个开源的硬件平台。2019年6月25日，Raspberry Pi4 Model B（简称4代B型）正式发布。其中4代B型树莓派实物图如4-1所示。树莓派板由程序存储器(RAM)、处理器和图形芯片、CPU、GPU、以太网端口、GPIO引脚、Xbee插座、UART、电源连接器等组成。以及其他外部设备的各种接口。它还需要大容量存储，所以采用了SD闪存卡。因此树莓派板将从SD卡启动，树莓派4代的配置参数如表4-1所示。
.........................
第5章总结与展望
5.1总结
本章主要是对此次试验的工作进行总结，并对在此次实验过程中的不足和对日后的改进方法进行展望。输电线路对电力系统的重要性不言而喻，因为环境的恶劣以及多方因素的影响，绝缘子出现的破损故障通常会带来重大事故，这对绝缘子的识别来说是一件意义重大的事情。本文主要是基于互联网上的航拍绝缘子数据为研究基础，以识别破损绝缘子为目标，通过17 Flowers传统数据集在R-CNN算法上目标识别进行基础研究，对实验结果进行了可视化分析，以深度学习R-CNN算法实现破损绝缘子的检测和在嵌入式平台上的应用为主线，最后通过实验得出结论。综上所述，本文主要从以下两个方面进行研究。
（1）基于R-CNN算法的破损绝缘子检测网络实现考虑到传统方法的局限性，本文利用递归卷积神经网络（R-CNN）目标检测算法对构建的数据集进行识和定位，数据集包括正常绝缘子和破损绝缘子，并通过微调方法，验证了破损绝缘子的识别和精准定位。此外，利用该模型实现了在真实场景下的破绝缘子检测定位，具有较强的针对性，能适合完成绝缘子检测的工作。
（2）深度学习模型在树莓派上的检测应用实现在此部分研究中，为了让深度学习模型在轻量级开发平台实现应用，选择了树莓派作为边缘计算载体，并结合英特尔神经棒，实现了R-CNN网络模型移植到平台上对真实破损绝缘子的识别和定位，解决了因平台受物理尺寸等因素的影响，无法运行深度神经网络的问题。
参考文献（略）