[发明专利]基于深度学习的输电线路间隔棒故障检测方法

权利要求书

1.一种基于深度学习的输电线路间隔棒故障检测方法，其特征在于，包括如下步骤：

步骤一、获取间隔棒图像样本，使用图像数据增广方式对图像样本进行扩充；

步骤二、对图像数据增广后的部分图像进行预处理，得到间隔棒图像数据训练集和间隔棒图像数据测试集；

步骤三、将间隔棒图像数据训练集输入到DenseNet-32卷积神经网络中，利用DenseNet-32卷积神经网络对所述间隔棒图像数据训练集进行图像分割，获取间隔棒图像分割结果数据集；

步骤四、将所述间隔棒图像分割结果数据集输入到SDD layers网络中，建立SSD算法权重模型；

步骤五、利用所述SSD算法权重模型对间隔棒图像数据测试集进行检测，获得间隔棒故障检测结果。

2.根据权利要求1所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤一中对图像数据进行数据增广的方式包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换。

3.根据权利要求2所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，所述数据增广的方式以图像为中心点，分为如下几个步骤：

a)将旋转点移动到原点处；

b)绕原点进行旋转；

c)再将旋转点移回到原来的位置。

4.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤二中图像预处理包括分段线性变换、直方图均衡化和平滑去噪。

5.根据权利要求4所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，所述分段线性变换的数学表达式为：

式中f为变换前灰度空间，灰度区间为[a，b]，进行线性拉伸，g为变换后灰度空间，g_max为可设置亮色，亮色区间为[0，255]，则灰度区间[0，a]和[b，f_max]被压缩。仔细调整折线拐点的位置并控制分段直线的概率，可以对图像的任一灰度区间进行拉伸或压缩。

所述直方图均衡化的数学过程描述为：

设原始图像在(x，y)处的灰度为f，取值范围为[0，L-1]，f＝0时表示黑色，f＝L-1时表示白色，均衡化后的灰度为j，则该变换过程可描述为：

j(x，y)＝T[f(x，y)]，0≤f≤L-1

式中变换T需满足以下条件：

(a).T(r)在灰度区间[0，L-1]上严格递增；

(b).当0≤f≤L-1时，0≤T(r)≤L-1，其中L≤256；

所述平滑处理过程的数学描述为：

式中，T≥0，Q为邻域S中像素的个数，g(x，y)是已增强的图片。

6.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中在获取间隔棒图像分割结果数据集后，将间隔棒图像数据测试集与间隔棒图像分割结果数据集中图像进行逻辑运算，获取去除背景区域后的间隔棒图像分割结果数据集。

7.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中采用步长为2的卷积代替池化层进行降采样操作。

8.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中在DenseNet-32卷积神经网络后面添加了五个不同卷积核大小和卷积步长的卷积层。

9.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤三中DenseNet-32卷积神经网络中的激活函数选用了LeakyRelu激活函数。

10.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤四中建立SSD算法权重模型时，神经网络经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代，完成固定次数的迭代，直到网络拟合，得到最优的权重系数，得到训练好的SSD深度卷积神经网络。