عنوان

عیب‌یابی خوردگی خطوط انتقال برق فشارقوی با استفاده از پردازش تصویر

Number

‭۱۸۱۷۸پ‬

.Language of Text, Soundtrack etc

per

Title Proper

عیب‌یابی خوردگی خطوط انتقال برق فشارقوی با استفاده از پردازش تصویر

First Statement of Responsibility

/تورج عبداللهی

Name of Publisher, Distributor, etc.

: پردیس

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۶‬

Name of Manufacturer

، میرزائی

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مکاترونیک

Date of degree

‮‭۱۳۹۶/۰۶/۲۷‬

Body granting the degree

تبریز

Text of Note

امروزه با پیشرفت فن‌آوری و پیدایش تکنولوژی‌های جدید، نیاز بشر به انرژی الکتریکی روز به روز افزایش می‌صیابد .که این مهم، نیاز به خطوط انتقال برق فشارقوی را به یکی از عناصر حیاتی در زندگی انسان‌ها تبدیل نموده است .آسیب و اختلال در کار این خطوط، سبب مشکلات زیادی در سیستم‌صهای حمل و نقل، سیستم‌های امنیتی، بیمارستان‌ها، صنعت و غیره می‌صگردد .بنابراین عیب‌یابی، تعمیر و نگهداری خطوط انتقال برق از اهمیت ویژه‌ای برخوردار است .هدف از این پژوهش، شناسایی سه دسته از سیم‌های خطوط انتقال برق فشارقوی به کمک روش‌های متکی بر لبه‌یابی، هیستوگرام رنگ‌ها، و تبدیل مستقل از مقیاس ویژگی می‌باشد .این سه دسته از سیم‌های در نظر گرفته شده برای طبقه‌بندی به کمک روش‌های پردازش تصویر، شامل ‮‭(۱)‬ :سیم سالم، ‮‭(۲)‬ سیم دچار خوردگی) رشته رشته شده(، و ‮‭(۳)‬ سیم دچار خوردگی) تغییر رنگ داده شده (می‌باشند .الگوریتم ارائه شده با استخراج ویژگی‌های مرتبط به لبه‌یابی و ساخت هیستوگرام رنگ‌ها به کمک نقاط یافت شده در تصاویر، دسته‌ی اول از ویژگی‌های مورد نظر برای طبقه‌بندی تصاویر را می‌سازد .دسته‌ی دوم این ویژگی‌ها، ویژگی‌های مربوط به تبدیل مستقل از مقیاس ویژگی می‌باشد .این ویژگی‌ها علاوه بر مقاوم بودن در برابر چرخش در تصاویر، تغییر نور و تغییر مقیاس در تصاویر، پوشش مناسبی بر روی سطح تصویر و ویژگی‌های نقاط کلیدی تصویر نیز دارند .این دو دسته از ویژگی‌های استخراج شده، مجموعه‌ای از ویژگی‌ها را برای آموزش و آزمون در شبکه‌ی عصبی مصنوعی به عنوان طبقه‌بند، فراهم می‌کنند .شبکه‌ی عصبی مصنوعی استفاده شده در این پژوهش، از نوع پرسپترون چند لایه می باشد، که الگوریتم آموزش در آن به صورت پس انتشار است .در پژوهش‌های پیشین به علت کافی نبودن ویژگی‌های مورد استفاده) استفاده از لبه‌یابی به تنهایی(، سیم‌های دچار خوردگی) تغییر رنگ داده شده (قابل طبقه‌بندی نبوده‌اند .نتایج بدست آمده، نشان‌دهنده‌ی کارایی بالای الگوریتم ارائه شده در طبقه‌بندی، و تشخیص هر سه دسته می‌باشد .میانگین دقت طبقه‌بندی الگوریتم ارائه شده ‮‭۴۴/۹۳‬ می‌باشد، که نسبت به پژوهش‌صهای پیشین از دقت بالاتری برخوردار است

Text of Note

In today's modern life, we face emerging technologies which most of them require increasing electrical power resources. Obviously, this fact requires electric power transmission lines as a vital element. Possible damages that might happen for these lines may result in dysfunctionality of transportation systems, security systems, hospitals, industry and etc. As a result, maintaining these lines is one the most important requirements of the power systems. The main objective of this research is the categories of three classification of the wires based on Histograms of Colors, Edge Detection and Scale Invariant Feature Transform. These categories of wires which are analysed by Computer Vision approaches are considered as: 1) Normal Wires, 2) Corrosion wires and 3) Colored Corrosion wires. The first category of the features used in this algorithm is based on edge detection and histogram of colors. The second one is the features extracted by scale invariant feature transforms. These features are known to be resistant while facing rotation, specific amount of light changes and also scaling. The Combination of these two categories of features will be fed to an Artificial Neural Network for training and classification. The Artificial Neural Network used is based on Multi Layer Perceptrons with Back Propagation algorithm. It is noteworthy to remind that in past researches, the lack of suitable and comprehensive features, disordered the task of classification of the only two types of wires. Overall, the obtained results of this research prove the quality of performance in this method, along with high accuracy rate in the categories of the three above-mentioned classification. The average accuracy of our method is 93.44 , which is highly improved compared to the previous studies

عبداللهی، تورج

داداش زاده، بهنام، استاد راهنما

الهوردی زاده، اکبر، استاد راهنما

عباسیان، کریم، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی