基于ResNet深度学习网络的隔离开关状态识别研究OA北大核心CSTPCD

文中以高压隔离开关视频监测获取的图像数据为研究对象,以隔离开关分合闸状态识别为研究目标,提出了应用于变电站高压开关设备智能监测系统的图像识别算法。为了使样本数据具备多样化的特征,该方法在预处理模块中,采用了多种数据增强技术对样本集进行了处理,在增强特征量的同时,扩充了样本表达维度;在训练模块中,文中基于ResNet深度学习神经网络,构建了不同深度的网络结构,经过训练后得到了层数分别为18、34、50、101的网络模型,并在验证集上对各数据模型进行了性能评估和对比。此外,还构建了其他几种常见的神经网络模型,与文中方法进行了性能对比。试验结果表明,所提出的方法能够在验证集上达到99.7%的识别准确率,并在性能上表现出优势,该方法能够为隔离开关监测系统提供算法支持,满足实际工程应用中的性能需求。