文献类型：期刊文章

作　　者：龚钢军[1] 张帅[2] 吴秋新[2] 陈志敏[1] 刘韧[3] 苏畅[1]

GONG Gangjun;ZHANG Shuai;WU Qiuxin;CHEN Zhimin;LIU Ren;SU Chang(Beijing Engineering Research Center of Energy Electric Power Information Security,North China Electric Power University,Beijing 102206,China;School of Applied Science,Beijing Information Science & Technology University,Beijing 100192,China;Beijing Excellent Network Security Technology Corp.,Ltd.,Beijing 102206,China)

机构地区：[1]华北电力大学北京市能源电力信息安全工程技术研究中心,北京102206 [2]北京信息科技大学理学院,北京100192 [3]北京卓识网安技术股份有限公司,北京102206

出　　处：《电力自动化设备》

年　　份：2019

卷　　号：39

期　　号：4

起止页码：204-209

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。

关 键 词：输电线路 异物识别  卷积神经网络 TensorFlow  

分 类 号：TM761]