[发明专利]一种基于深度学习的绝缘子识别方法

摘要

本发明公开了一种基于深度学习的绝缘子检测识别方法，包括对航拍图像进行预处理，其次，通过几何变换，对比度增强，添加模拟噪声等方法对数据进行扩充；采集绝缘子样本，针对不同种类的绝缘子，应分类进行采集；确定好待训练的模型结构；样本输入到待训练的模型中，通过前向传播和后向传播的方法不断的调整权重以及偏置参数，最终确定最优化的模型参数，基于已经训练好的模型，将待检测图像作为输入信号，经过网络多层的卷积、池化、全连接操作，得到最终的检测识别结果。本发明通过深度学习的方法，不断地学习绝缘子特征，确定学习网络模型，实现不同背景环境下不同绝缘子的识别，为电力养护决策提供支持。

主权项

1.一种基于深度学习的绝缘子识别方法，其特征在于：该方法包括以下步骤：步骤1，对航拍的原图像进行预处理，检测拍摄图像是否存在抖动、模糊的问题，并进行去噪防抖处理；步骤2，样本扩充，在步骤1中预处理图像的基础上，通过对图像采用多次旋转、噪声扰动、改变图像的对比度的方法，生成多幅类似图像，扩充样本；步骤3，采集样本，根据绝缘子的材质不同，主要采集陶瓷绝缘子，玻璃钢化绝缘子，合成绝缘子，半导体绝缘子4种绝缘子样本，在样本采集的过程中，保证每种绝缘子样本数量大于1000个，总数量不低于4000个；步骤4，训练模型，采用卷积神经网络的训练，卷积网络通过不断的学习，不断的调整与确定输入与输出之间的映射关系，用已知的模式对卷积网络加以训练学习，调整网络的参数，卷积神经网络就能得到映射的输入输出对，通过对采集到的样本的学习，不断的对卷积神经网络中权重参数进行调整，最终可以确定了神经网络模型；卷积神经网络为多层的神经网络，每层由多个二维平面组成，也称为特征图，每个特征图是由多个独立神经元组成，卷积网络输入层接收原始图像，卷积和下采样交替进行；卷积网络工作步骤如下：1)第一隐藏层进行卷积，它由8个特征图组成，每个特征图由28×28个神经元组成，每个神经元指定一个5×5接受域的信号；2)第二隐藏层实现局部子抽样和局部平均，它由8个特征图组成，每个特征图由14×14个神经元组成；根据图像空间局部相关性，对图像进行子抽样；每个神经元具有一个2×2的接受域，一个可训练系数，一个可训练偏置和一个sigmoid激励函数；3)第三隐藏层进行第二次卷积，由20个特征图组成，每个特征图由10×10个神经元组成，该隐藏层中的每个神经元具有和下一个隐藏层几个特征映射相连的突触连接，它与第一个卷积层相同方式操作；4)第四个隐藏层进行第二次子抽样和局部平均汁算，它由20个特征图组成，但每个特征图由5×5个神经元组成，它与第一次抽样相同方式操作；5)第五个隐藏层实现卷积的最后阶段，它由120个神经元组成，每个神经元指定一个5×5的接受域；6)最后一层是个全连接层，得到输出向量；步骤5，绝缘子检测识别，利用训练出来的神经网络模型对待检测图像样本进行检测，将图像作为输入变量，经过神经网络模型的不断映射，最后确定出绝缘子所在图像中的位置。