[发明专利]一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法

权利要求书

1.一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法，其特征在于：包括如下步骤：

S1：采用喷水分级法对复合绝缘子进行喷水试验，拍摄伞裙表面水珠形态分布图像，并给每张图像加注憎水性等级标签，建立包含HC1～HC7的复合绝缘子喷水图像样本集，并对图像进行预处理，扩充图像样本集，按一定比例划分训练集、验证集与测试集；

S2：迁移轻量级卷积神经网络模型，修改模型结构与输出，使其匹配憎水性检测问题；具体地，采用ImageNet数据集对MobileNet、ShuffleNet和GhostNet进行预训练，然后对网络结构进行微调，删除原网络的最后三层，代替以一个包含7个输出节点的全连接层、softmax层以及HC1～HC7类别输出层的结构，最后对网络层进行三段式划分并设置不同的学习率，完成憎水性检测模型的构建；

S3：分批次将训练样本图像输入到憎水性检测模型中，通过Adam、SGDM算法最小化交叉熵损失函数对模型进行优化，调整卷积神经网络中卷积层、归一化层和全连接层中可学习参数，每10次迭代对模型检测效果进行1次验证，当验证损失值在50次验证内不再下降时停止网络训练，得到复合绝缘子憎水性等级智能识别模型；

S4：利用训练好的憎水性等级智能识别模型对测试集的复合绝缘子喷水图像进行检测，输出憎水性识别结果，计算识别准确率。

2.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法，其特征在于：S1中所述对图像进行预处理包括对图像进行去色、水平翻转、亮度和对比度调整。

3.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法，其特征在于：S2中对网络层进行三段式划分并设置不同的学习率，特定结构单元前为第一段，连续的结构单元组合为第二段，最后的分类输出为第三段；各段的初始学习率分别设置为0.001、0.005、0.01。

4.根据权利要求1所述的一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法，其特征在于：S3中所述对模型进行优化，具体为先采用Adam算法更新网络参数，当准确率不再提升时保存模型，固定前70％网络层参数后采用SGDM算法进一步优化网络。