[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

摘要

本发明公开了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，属于数字图像识别领域，目的在于克服现有应拉力监测中灵敏度和可靠性不高的问题，提高输电线路覆冰厚度监测的准确性和自动化程度，本发明用于电力系统输电线路的覆冰厚度监测与超限告警，包括：（1）收集覆冰图像；（2）预处理图像并建立数据集；（3）建立卷积神经网络；（4）训练并测试模型；（5）提取覆冰厚度信息并传回至控制中心等五步骤；本发明将数字图像特征识别方法引入到输电线和杆塔的覆冰厚度检测中，利用图像中覆冰的形态特征自动提取厚度信息，为运维人员制定除冰计划，为保证电力系统安全稳定运行提供了一种新的直观而智能化的手段。

主权项

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：xl＝f(ul)，其中ul＝Wlxl‑1+bl，f(·)为激活函数，Wl是第l层的权值，bl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。