为了解决电力系统海量非结构化图像数据智能化分析和识别这一问题,提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法。在特征提取方面,通过卷积神经网络提取了电力设备图像的特征;在识别算法方面,借鉴传统机器学习方法的优势,提出了结合深度学习的随机森林分类方法。使用8 500幅电力设备图像对该方法进行了测试。研究结果表明:对于绝缘子、变压器、断路器、输电线电杆和输电线铁塔这5种电力设备,该方法的平均识别准确率达到了89.6%,比常规卷积神经网络分类器和传统随机森林分类器的平均识别准确率分别高出了6.8%和12.6%。该方法为海量非结构化电力设备图像智能化分析提供了一种新的解决办法。?尽管深度学习在语音、图像、自然语言等领域取得了令人震惊的突破，但是深度学习所取得的良好效果并不能否定传统机器学习理论[22]。随机森林（randomforest,RF）方法具有很高的预测准确率本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com，对异常值和噪声具有很好的容忍度，且不容易出现过拟合[23]，因此，本文将深度学习与传统机器学习方法结合在一起，在获取电力设备图像的深度特征后，通过构建多颗由随机选取的样本子集和特征子向量生成的决策树来组成决策“森林”，电力设备图像识别-电动折弯机数控钢管滚圆机滚弧机张家港钢管滚圆机滚弧机最后在分类阶段以投票方式输出分类结果。本文所提方法的流程框架如图1所示。电力设备识别流程框图由训练阶段和测试阶段这2个部分组成。在训练阶段，先从电力设备图像数据集中随机选取图像并基于AlexNet模型来提取图像的深度特征；然后对提取的特征进行分析，并选择合适的特征子集作为最终的特征向量。在测试阶段，使用AlexNet模型来提取测试图像的特征，选择在训练阶段中所选择的特征子集来表示图像特征，最后用训练好的随机森林来对测试图像进行分类。2.1RF训练假设随机森林{}tF=T为1组树，随机选择训练子集矩阵{(,)}iiiS=s=Xy来对F中的子树Tt进行训练(diX∈R为训练样本向量is的特征向量，亦为S的特征矩阵X的元素；Rd为d维实数集，yi为is的类标签)。给定iX，则分裂函数定义为(),Split(,,)jijγγ≥=发送到左子树其他，发送到右子树XX(1)式中：(j)iX为iX的j维特征子向量；γ为阈值。分裂函数决定了训练子集矩阵S中的每个样本会被划分到左子树还是右子树，并将S划分成Sl和Sr这2个子集矩阵。若分裂参数(j,)γ不一样，则样本划分的结果也不一样，通过计算最大化分裂后子节点中样本 电力设备图像识别-电动折弯机数控钢管滚圆机滚弧机张家港钢管滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com