[发明专利]一款基于深度学习的电力设备图像识别方法及巡查机器人

摘要

本发明公开了一款基于深度学习的电力设备图像识别方法及巡查机器人，解决了现有的电力设备图像识别方法需要人工标注大量的样本数据，且对图像的特征提取过于单一，不能更好地描述图像的全局特征，图像识别准确率不高问题。本发明使用基于深度学习的电力设备图像识别方法，首先收集同一类型的电力设备样本图像数据，已标注样本数据集和未标注样本数据集，其次对样本数据进行预处理，然后使用卷积神经网络深度学习算法对图像数据进行特征提取，并进行基于半监督主动学习训练二元分类器模型训练，最后利用训练好的模型进行分类，输入待检测的实时图像数据进行识别，判断是正常或者异常图像数据，尽而得出电力设备的正常和异常情况。

主权项

1.一种基于深度学习的电力设备图像识别方法，其特征在于：该方法包括以下步骤：S1：收集同一类型的电力设备连续时间段内的样本图像数据，把收集到的同一类型的电力设备连续时间段内的样本图像数据分为两组，两组的比例为1:9，对样本图像数据少的一组进行数据标注并记作为已标注样本数据集L，对样本图像数据多的另一组不进行数据标注并记作为未标注样本数据集U；S2：对步骤S1中所述同一类型的电力设备连续时间段内的样本图像数据进行预处理，去除图像数据噪声，增强图像数据的细节，提高图像数据的信噪比；S3：对步骤S2中预处理后的图像数据使用卷积神经网络进行提取特征并建立特征向量，提取特征及建立特征向量步骤如下：S31：建立带有5个卷积层和3个全连接层的卷积神经网络，其中最后一层全连接层与输入的电力设备图像维度相同，该网络所有权重均随机初始化；S32：对步骤S31中提取的10维特征进行归一化处理；S33：结合步骤S31与步骤S32，对3个全连接层中的前2个全连接层的输出建立电力设备图像的特征向量；S4：对步骤S3提取的10维特征使用基于半监督主动学习训练二元分类器模型，二元分类器模型的训练步骤如下：S41：采用3个相同的SVM分类器H1、H2、H3，利用随机采用bootstrap算法从已标注样本数据集L中获取有差异的训练数据子集T，进行初始分类器的训练；S42：利用S41中的其中2个SVM分类器H1、H2协同训练，使用主动学习方法从未标注样本数据集U中挑选置信度高的未标注样本数据x进行标注，其熵值E(x)，如此迭代地扩充第3个分类器H3的训练样本集来更新第3个分类器模型，并把熵值E(x)最大的并且完成标注的样本数据x加入到训练数据子集T中和已标注样本数据集L中，同时从未标注样本数据集U中减去该样本数据x；S43：循环执行步骤S41与步骤S42直至未标注样本数据集U为空，模型训练结束；S44：模型训练结束后，采用多数投票法对3个分类器H1、H2、H3集成，获得最终二元分类器模型；S5：利用步骤S4训练好的二元分类器模型，输入待检测的实时图像数据进行识别，判断是正常或者异常图像数据，尽而得出电力设备的正常和异常情况。