导　　师： 王钦若

授予学位： 博士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 为了提高电力系统的智能化水平,许多变电站除了具备“遥测”、“遥信”、“遥控”和“遥调”四遥功能外,还添加了“遥视”功能,利用远程传输过来的图像和视频及时评价相关设备运行情况。将图像和视频信息引入电力系统是一种巨大的技术进步,但是,现有的图像和视频监控系统仅仅是将大量的多媒体数据传输到调度端,不能对这些数据进行智能化分析,需要工作人员对接收到的数据进行人工分析和识别。人工处理方法效率低下、准确率不高,且人眼长时间工作不利于身心健康,这制约了电力系统智能化水平的提升。为了进一步提高电力系统的智能化水平,本文将图像处理技术和深度学习引入到电力系统设备智能处理中,对图像预处理、目标探测、图像分割、特征提取与选择、目标分类识别等各环节关键技术进行研究,以解决海量媒体数据的自动分析和识别问题。本文首先指出了将数字图像处理技术和深度学习应用于电力设备智能识别中的必要性和重要性。通过分析数字图像处理技术在电力系统中的应用现状,本文剖析了已有电力设备智能识别方法的局限性,介绍了深度学习(Deep Learning)在图像处理方面的研究进展,为后续研究提供了必要的理论基础。接着,针对所获取的电力设备图像存在对比度低、整体灰度值偏低以及光照不均等问题,提出了基于二次泰勒级数的非线性自适应增强(Non-linear Adaptive Enhancement,NAE)方法。该算法利用高斯双边滤波(Gaussian Bilateral Filtering)函数来获取像素的邻域信息,并使用指数型函数对图像作非线性增强,不仅可以有效提高逆光拍摄或夜间拍摄图像的整体灰度值以及对比度,还可以自适应地调整图像中亮度部分的灰度值,达到自适应的图像增强的目的。实验结果表明,跟原始图像相比,使用NAE法处理后的图像不仅对比度得�

关 键 词： 电力设备 图像识别 深度学习 卷积神经网络 增强现实

领　　域： [] []