本文介绍了智能变电站自动监控系统应用背景和国内外图像识别技术、目标区域跟踪等技术研究水平的现状和国内外发展趋势;提出了学习算法的实现过程;并对变电站内鸟巢智能识别相关软件进行了分析。 基于深度学习算法的变电站内鸟巢智能识别研究鸟类的筑巢行为也会影响变电站的安全运行，极易造成线路短路或跳闸。为了保证电网的正常运行，必须对鸟类在输电线路上的筑巢行为进行监控、预警和防护。由于传统识别算法的局限性及识别率随样本数量增大趋于饱和的特点，将深度学习方法应用到鸟巢识别技术中，设计出深度学习网络对特征自动进行提取，成功避免了特征选择的影响，随着训练样本的增多以及网络模型的强大，将取得最优的检测结果。本研究选取变电站场地的构架作为监测试验对象[3]。如图1所示。图1基于深度学习算法的变电站内鸟巢智能识别3.2基于深度学习的目标检测算法深度学习源于大脑认知原理的研究， 本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc辨识别技术研究-电动折弯机数控钢管切管机张家港液压切管机气动切管机是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机拥有人工智能，大家所熟知的AlphaGo就是深度学习典型的一个应用。深度学习的许多研究成果，离不开对大脑认知原理的研究，尤其是视觉原理的研究。人类识别气球的视觉原理如下：从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。图2深度学习与传统目标检测算法比较使用深度学习方法进行分类能够更好的提取特征，以及模型能够具备更强大的描述能力；所以基本上对深度学习的使用也慢慢的从当成特征提取进步到特征提取与分类、回归等问题结合起来的端到端（End-to-End）方式。基于深度学习的目标检测算法，主流的检测方式有两种：基于候选区域的，如R-CNN、SPP-net、FastR-CNN、FasterR-CNN、R-FCN；另一种是基于回归方法的，端到端（End-to-End），无需候选区域的，如YOLO、SSD?辨识别技术研究-电动折弯机数控钢管切管机张家港液压切管机气动切管机 本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc