[发明专利]基于深度学习的输电线路覆冰图像中覆冰厚度检测方法

权利要求书

1.一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：

步骤1：获取覆冰图像数据和对应的应拉力监测数据；

步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；

步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；

步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；

所述对建立的卷积神经网络进行训练和测试，其训练过程包括如下子步骤：

步骤4.1：计算灵敏度和误差更正；

步骤4.1中，对于C分类问题，共有N个训练样本，表示第n个样本的第k类期望输出，表示第n个样本的第k类实际输出，则模型的输出层误差用理想输出与实际输出的均方差表示为：

对于第n个样本，实际输出与理想输出的均方差可表示为：

假定L是输出层，l是隐含层，1为输入层；第l层的激活输出为：x^l＝f(u^l)，其中u^l＝W^lx^l-1+b^l，f(·)为激活函数，W^l是第l层的权值，b^l是第l层的偏置；定义灵敏度为：

其中故第l层和输出层的灵敏度分别表示为：

由此得到误差更正为：

其中，η为学习率；

步骤4.2：前向传播；

步骤4.3：反向传播；

步骤4.4：特征组合；对于提取的每个特征赋予权值，反复进行前向传播与反向传播更正误差并调整权值，达到特征优化组合的目的；

步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息。

2.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤1中所述覆冰图像，包括输电线覆冰图像、杆塔覆冰图像、金具覆冰图像、电气设备覆冰图像；所述应拉力监测数据包括杆塔型号、位置、覆冰等值厚度。

3.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤2中所述对原始覆冰图像进行预处理，包括图像分割和边缘提取；所述图像分割是使用迭代法对图像进行图像分割处理，所述边缘提取中梯度模算子以微分算子形式表示，用快速卷积函数来实现。

4.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤3中所述建立深度学习卷积神经网络，是基于BP神经网络改造的一种深度学习模型，在卷积层中用卷积核去卷积该层的输入，首先将上一层的每个输出特征图位置相同的数据与该层的卷积核进行卷积，再将同一位置卷积所有结果相加，得到该层输出特征图对应位置的输出。

5.根据权利要求4所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：为了减少参数数量，降低模型训练难度，采用权值共享机制，同一张输出特征图使用同一个卷积核，每一次卷积核都各自对应的滤波器与其对应，一个卷积核只提取一种特征，保证特征提取不发生混叠。

6.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤4.2中，对于卷积层，假设第l层是卷积层，则该层输出的特征图和特征图大小分别为：

output.size＝input.size-kernel.size+1

其中，是第l-1层的第i个输出，是第l层对于第i个输入的第j个卷积核，是第l层的第j个偏置，f(·)是激活函数，是第l层的第j个输出；

对于子采样层，输出图为：

其中，down(x)是对输入图像n×n的像素区进行采样操作，是控制因子，将采样结果数值控制在彩色像素数值范围内，同时减少噪声干扰。