[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

说明书

本发明公开了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，首先构建含有七个憎水性等级的复合绝缘子喷水图像样本集并加注标签，通过预处理扩充样本集并划分训练、验证和测试集；然后迁移MobileNet、ShuffleNet和GhostNet等在大型数据集中训练过的轻量级卷积神经网络模型，修改模型结构与输出，对网络层进行分段式学习率设置，构建憎水性检测模型，并通过Adam、SGDM等算法进行模型优化；最后利用复合绝缘子憎水性等级智能识别模型对测试集喷水图像进行憎水性检测，输出识别结果与准确率。本发明能够克服传统检测方法需要人工裁剪图片且受光照影响严重的局限性，可以提高复合绝缘子憎水性检测的效率与准确性。

技术领域

本发明涉及复合绝缘子憎水性检测技术领域，具体涉及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。

背景技术

复合绝缘子因其表面憎水性与憎水迁移性而具有良好的耐污闪性能，但在长期运行过程中，硅橡胶材料会发生老化而导致憎水性下降。工程中通常采用喷水分级法(HC法)对运行复合绝缘子的憎水性等级进行抽检，根据测试结果确定检测周期并判定是否能够继续运行。然而，HC等级的判定结果取决于测试人员对喷水图像的主观理解，容易引起误判。基于图像识别技术与人工智能算法的憎水性检测方法能够克服喷水分级法人为因素的影响，降低人力、物力，提高憎水性检测的效率。

目前应用较为广泛的憎水性检测方法主要基于图像处理、特征提取和机器学习算法的组合，此类方法较依赖图像处理技术能否有效提取出水珠形态特征，识别准确率取决于喷水图像处理效果，受绝缘子表面状态、光照条件、拍摄角度等因素影响，采用传统的图像处理方法往往难以有效分割出水珠边缘，在计算水珠特征量时存在一定误差。卷积神经网络(convolutional neural network，CNN)是一种可以自我学习数据特征的机器学习算法，它将特征提取与分类识别进行有效组合，各种图像数据特征由监督式的端到端拟合学习得到，该类模型可通过增加训练图像样本数量和调整网络结构大小实现较高的鲁棒性，且在大量的测试样本中可达到较高的检测准确率。CNN对复合绝缘子憎水性检测的准确率和高鲁棒性依赖于网络深度，对硬件设备的存储和计算量要求较高，难以应用于存储和计算量都受限的移动设备。因此，构建性能优良而参数和计算量都较小的轻量级憎水性检测模型，将其应用于移动设备并实现复合绝缘子憎水性的带电检测，是目前亟待解决的问题。

发明内容

针对现有技术存在的问题，本发明的目的在于提供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，利用复合绝缘子喷水图像训练性能优异而参数与计算量要求都较少的CNN模型，该模型能够快速地检测复合绝缘子的憎水性，提高憎水性在线检测的效率与准确性。

为实现上述目的，本发明提供如下技术方案：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，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；