目录
一、绪论 1
1.1研究背景 1
1.2国内研究现状 1
1.3研究目标及流程 1
二、数据预处理 3
2.1图像分割 3
2.2图像金字塔 4
2.3数据增强 4
2.4归一化图像大小 5
三、绝缘子串珠图像分割 6
3.1Mask R-CNN 神经网络结构 6
3.2训练样本的制作及标注 6
3.3Mask R-CNN 训练过程 8
3.3.1部分训练参数设置 8
3.3.2训练过程 9
3.4Mask R-CNN 训练结果分析 9
3.4.1检测及分割过程 9
四、绝缘子自爆区域识别与定位 11
4.1数据集制作 11
4.2样本标记及分类 11
4.3基于 Yolo-v3 的自爆区域识别与定位 13
4.3.1Yolo-v3 网络结构 13
4.3.2Yolo-v3 训练过程可视化分析 14
4.3.3Yolo-v3 训练结果分析 15
4.4基于 Yolo-v4 的自爆区域识别与定位 17
4.4.1Yolo-v4 网络结构 17
4.4.2Yolo-v4 训练可视化分析 18
4.4.3Yolo-v4 训练结果分析 20
4.5Yolo-v3 与 Yolo-v4 的结果对照 22
4.6小目标预测策略 23
4.6.1高分辨率图像直接预测 23
4.6.2 等比例分割 24
4.6.3 滑动窗口以及 NMS 26
五、总结与展望 31
参考文献 33

一、绪论

1.1研究背景

架空线路巡检是长期以来，绝缘子串珠经受极其恶劣的天气条件，难免会出现缺陷。为保障我国输配电网正常运行，架空线路巡检是保障人们电路网正常的必要手短。传统的巡线缺陷检测方式为人工巡视，但架空线路巡检常常需要在高处巡检故障区域，工作量多，需要定期打扫脏污的绝缘子，任务强度大，且十分危险。

随着我国科学技术不断发展，无人机技术得到越来越广泛的应用。用无人机配置高分辨率相机获取航拍图像代替人工巡线，可以大大降低了电力巡视的强度，大大提高了恶劣环境下巡检的质量和效率，有效的避免了人工巡视中存在的危险。

1.2国内研究现状

近年来国内针对绝缘子串珠的识别与分割的研究也有不少，基于传统图像识别方法有，黄新波等人[1]提出了基于改进色差法的复合绝缘子图像分割，基于图像颜色特征，将绝缘子不同环境下的图形学颜色进行色度的分割。基于深度学习方法识别分割绝缘子的有，吕易航等人[2]的航拍图像中绝缘子串检测、分割与自爆识别，通过 Faster R-CNN 分割出绝缘子串，通过改进算法的 Faster R-CNN 网络实现绝缘子自爆区域的识别。

1.3研究目标及流程

本文同样以绝缘子为研究对象，采用 2018 年Kaiming He 等人[3]Mask R-CNN v3 神经网络模型作为分割绝缘子串珠主要研究方法，采用堪称yolo 之父的Joseph Redmon 的 Yolo-v3[4]神经网络模型以及 Alexey Bochkovski 最新的 Yolo-v4[5]作为绝缘子自爆区域识别的对比方案。利用现有的 40 张无人机航拍高分辨率原图，拟解决以下问题：

（1）分割出绝缘子串珠图像，包括玻璃绝缘子、复合绝缘子等类别，获取其掩膜图像。

（2）识别定位绝缘子自爆区域，包括玻璃绝缘子、复合绝缘子等类别，获取其 Boundbox。

针对于任务一，具体研究流程如图 1.1 所示。本文主要研究过程分为三部分。

（1）数据的预处理。包括 40 张图片中不同的绝缘子类型进行划分，通过数据增强提高数据集的数量，通过图像分割优化模型对小目标的识别，并利用 via 2.08 和 Labelme 图像标注工具标记为“insulator”，生成 via 格式的 json 文件，最终制作标签并对所有数据集按 8:2 比例划分训练和测试集。

==图 1.1 绝缘子串珠分割的研究流程图 ==

（2）绝缘子串珠分割，通过 via2.08 标注好绝缘子串后生成 json 文件，放进 Mask R-CNN 神经网络模型中迭代训练，训练过程中不断的调整参数，如学习率，训练至 loss 函数收敛。

（3）分析与评价。对比预测结果与标准的掩模图，分析改进。利用 Dire 系数进行评价。

针对于任务二，绝缘子自爆区域的具体研究流程如图 1.2 所示。主要研究流程分为三部分。

（1）数据预处理。包含了对原始航拍照片的绝缘子类型的分类，对各个类绝缘子的数量统计，原始图像进行分割或剪裁，图像的数据增强，统一尺寸，用labelme 图像标记工具生成 xml 文件，按 8:2 比例划分训练集和测试集，制作标签。
（2）绝缘子自爆点识别模型训练。通过 labellmg 对绝缘子自爆区域标注为“defect”后生成的 xml 文件，制作 VOC2007 格式，生成标签 label，分别放进

Yolo-v3 和 Yolo-v4 神经网络模型中进行训练，训练过程中观看 loss 函数，不断调整训练参数，如学习率，训练至 loss 函数收敛，且低于 0.06。

图 1.2 绝缘子自爆区域的研究流程图

（3）分析与评价。对比不同方案的测试结果，分别计算出训练中 loss 和 iou 损失变化并画出 loss 和 IOU 损失函数变化曲线，计算测试数据的 map，对比模型识别的精度。利用 IOU 交叠率对绝缘子自爆区域进行评价，对比模型 IOU 定位的准确度。分析比较，得出最好的训练模型。

二、数据预处理

原始图像由 40 张无人机航拍高分辨率图像构成，尺寸多为 7360×4912，由于本文采用 Mask R-CNN 或者 Yolo 神经网络模型训练，都要求图片不能太大，否则将增加运算的时间消耗，甚至由于显存不足而导致训练中断。

因此需要对数据进行预处理操作。本文采用预处理有图像分割、图像金字塔、数据增强等方法。

2.1图像分割

对于识别的目标占原始图像比例较小的高分辨率图像，采用分割算法，将原始图片等额分割，直至分割后的目标占图片比例适中。如图 2.1 所示为某张原始图片进行 2×2 分割。

==图 2.1 图像 2×2 分割 ==

2.2图像金字塔

对于识别目标占原始图像比例较大的高分辨率图像，采用图像金字塔[6]，有效降低图像分辨率。

图像金字塔即将图像比喻成金字塔，层级越高，则图像越小，如图 2.2 所示，常用的图像金字塔算法有拉普拉斯金字塔和高斯金字塔，拉普拉斯金字塔常用来上采样，即向金字塔的底层图像重建上层图像，预测残差；高斯金字塔常用来下采样，即向金字塔的顶层缩小。

图 2.2 图像金字塔

当要从金字塔第 i 层生成第 i+1 层，即向下采样图像时，先用高斯核对

第八届泰迪杯优秀论文B题（基于Mask R-CNN 及Yolov4 的电力巡检中绝缘子缺陷研究）相关推荐

第八届“泰迪杯”数据挖掘挑战赛C题“泰迪杯”奖论文（基于卷积神经网络及集成学习的网络问政平台留言文本挖掘与分析）
目录第一章引言 1.1挖掘背景 1.2挖掘意义 1.3问题描述第二章群众留言分类 2.1数据准备 2.1.1数据描述 2.1.2数据预处理 2.2特征提取 2.3建立模型 2.3.1卷积神经 ...
第八届“泰迪杯”数据挖掘挑战赛的一点心得
第八届"泰迪杯"数据挖掘挑战赛的一点心得前言大三下学期,我和我的两位队友一起参加了第八届"泰迪杯"数据挖掘挑战赛,我们选择了C题--"智慧政务 ...
2023泰迪杯数据挖掘赛B题完整成品讲解
B题论文共90页,一些修改说明7页,正文72页,附录11页. 这次泰迪杯我做得有点晚了,一方面是之前有点事耽搁了两天,所以我是从6天前才开始做.另一方面泰迪杯不愧是时间这么长的比赛,数据量极大,第一问 ...
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据分析与需求预测（1.数据处理）
1. 前言本题相对来说比较适合新手,包括针对数据的预处理,数据分析,特征提取以及模型训练等多个步骤,完整的做下来是可以学到很多东西的. 2.问题一思路分析本题要求利用附件中的训练数据进行深入的分析 ...
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据分析与需求预测（2.数据探索性分析）
前言继续上一片数据预处理进行续写,利用预处理之后的数据进行数据分析并且解决问题一相关的问题.问题一主要目的是让研究各种因素对于需求量的影响,然后找到确定影响需求量的主要因素并且进行数据分析和主要特征 ...
第五届“泰迪杯“技能赛赛题讲解直播来啦
会议号:753-221-814 第五届"泰迪杯"数据分析技能赛于2022年9月5日正式开始,至2022年11月13日结束,历时两个半月.技能赛共计有来自全国249所高校1603支队 ...
泰迪杯数据挖掘挑战赛C题通用论坛正文提取
参与第五届泰迪杯,侥幸获得二等奖,简单记录一下. 一.问题的背景在当今的大数据时代里,伴随着互联网和移动互联网的高速发展,人们产生的数据总量呈现急剧增长的趋势,当前大约每六个月互联网中产生的数据总量 ...
泰迪杯挑战赛优秀论文-A题-基于数据挖掘的上市公司高送转预测
目录第 1 章绪论 1.1问题背景 1.2问题重述 1.3本文主要工作与创新点 1.4模型假设 1.5本文研究意义第 2 章相关理论 2.1高送转相关知识介绍 2.1.1高送转的实质 2.1 ...
大数据分析练习-第八届泰迪杯A题-基于数据挖掘的上市公司高送转预测
报告书-pdf 本实验在Anaconda环境下进行编程,使用jupyter. 具体有以下注意点: 文件结构 : 主文件目录 - |-- Main.ipynb 主文件 |-- ReadMe.md ...

第八届泰迪杯优秀论文B题（基于Mask R-CNN 及Yolov4 的电力巡检中绝缘子缺陷研究）