一种基于深度学习的绝缘子故障定位识别方法技术

技术编号:20046641 阅读:7 留言:0更新日期:2019-01-09 04:43
本发明专利技术公开了一种基于深度学习的绝缘子故障定位识别方法,主要解决在电力运行过程中绝缘子发生故障肉眼识别率的问题,该方法主要包括下述步骤:采集绝缘子图像并进行预处理,构建绝缘子图像数据集;构建深度卷积神经网络模型,该模型用于提取绝缘子的特征,并对绝缘子进行类别判定和目标定位;利用绝缘子图像数据集对深度卷积神经网络模型进行训练;最后利用训练完成的深度卷积神经网模型对待测绝缘子图像进行故障定位与识别。本发明专利技术基于深度学习的绝缘子故障定位识别方法对绝缘子故障定位准确率高,速度快,实现了绝缘子故障定位的实时检测。

【技术实现步骤摘要】
一种基于深度学习的绝缘子故障定位识别方法
本专利技术属于图像目标检测识别和计算机视觉领域,主要涉及高压运输线上的电力小部件的绝缘子的故障定位识别实时检测方法,具体为:一种基于深度学习的绝缘子故障定位识别方法。
技术介绍
绝缘子作为电力运输中的常见电力小部件,对电网的安全运行起着不可替代的作用,绝缘子常年暴露在外,时间的累积和恶劣的天气会使绝缘子的遭到性能的破坏影响电力的运输,所以需要及时的检测出有故障的绝缘子并进行更换至关重要,目前人工的对绝缘子进行人工分析和处理,工作量庞大且效率低下,存在由工作人员经验和个人素质引起的偏差。因此,急需一种可靠的绝缘子故障识别的方法。目前,针对绝缘子故障识别方法的研究,基于普通卷积神经网络的绝缘子识别研究中,是以绝缘子整个图像作为网络的输入,这种以整个图像作为网络的输入不能很好的结合绝缘子的背景信息,不能在复杂的环境下准确的识别出绝缘子并进行故障诊断。
技术实现思路
本专利技术的目的在于克服现有技术中的缺点与不足,提出一种基于深度学习的绝缘子故障定位识别方法,提高检测准确率,大大缩短检测的时间,达到实时检测。为实现以上目的,本专利技术采取如下技术方案:一种基于深度学习的绝缘子故障定位识别方法,包括下述步骤:(1)采集绝缘子图像并进行预处理,构建绝缘子图像数据集;(2)构建深度卷积神经网络模型,该模型提取绝缘子的图像特征信息,采用选择性搜索和多尺度滑动窗口的方式来生成区域建议框,并对生成的区域建议框进行分类,进而对绝缘子进行类别判定和目标定位;(3)利用绝缘子图像数据集对构建的深度卷积神经网络模型进行训练,具体是采用区域建议框生成网络和目标检测网络交替训练,并结合梯度下降法进行迭代计算权值;(4)对训练完成的深度卷积神经网络模型进行故障定位识别测试。作为优选的技术方案,步骤(1)中,对绝缘子图像进行预处理,构建绝缘子图像数据集,具体为:对所述绝缘子图像的大小进行归一化,然后对归一化后的绝缘子图像进行扩增处理;所述扩增处理的方式包括对图像进行旋转、剪裁、平移、镜像、清晰化和去噪操作。然后采用Bbox-label-tools对扩增后的绝缘子图像进行绝缘子的位置和类别标注,并将类别标签分为三类,分别是绝缘子,绝缘子故障,背景。作为优选的技术方案,所述步骤(2)中的深度卷积神经网络模型,该模型架构包括:输入图片层、共享卷积层、区域建议框生成层、ROI池化层、区域建议框判定层、两个全连接层和最后用于类别判定与位置回归的两个优化目标层;输入图片由输入图片层进入共享卷积层,共享卷积层作为特征提取层来提取输入图片的底层特征图,所述底层特征图经过区域建议框生成层生成区域建议框,使用非极大值抑制算法消除多余的区域建议框,未消除的区域建议框进入ROI池化层,ROI池化层是一个pooling层,提取区域建议框的特征图,然后输出到区域建议框判定层并对特征图进行类别判定,随后经过所述两个全连接层,最后进行绝缘子的分类和目标定位。作为优选的技术方案,所述共享卷积层包括多层结构,每层结构由卷积层、RELU层或池化层组成。作为优选的技术方案,所述共享卷积层是由5个layer组成,第一个layer层由一个卷积层加一个RELU层加一个池化层组成,卷积核的大小为7*7*3*96,步长为2,pooling的大小为3*3,步长为2,padding为1;第二个layer层由一个卷积层加一个RELU层加一个池化层组成,卷积核的大小为5*5*96*256,步长为2,pooling的大小为3*3,步长为2,padding为1;第三个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*256*384,步长为1;第四个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*384*384,步长为1;第五个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*384*256,步长为1;在所述的每个layer层中,池化层均采用最大池化,选取区域内的最大值作为特征值。作为优选的技术方案,所述区域建议框生成层采用选择性搜索和多尺度滑动窗口的方式来生成区域建议框;对深度卷积神经网络模型进行训练时,同时使用选择性搜索和多尺度滑动窗口来生成区域建议框;对训练完成的深度卷积神经网络模型进行测试时,采用选择性搜索生成区域建议框。作为优选的技术方案,所述区域建议框判定层用于对生成的区域建议框进行类别判定,所述类别判定取决于区域建议框的宽度和长度,具体的判定公式如下:其中为区域建议框判定系数,w和h分别为区域建议框的宽度和长度;为强制使生成的区域建议框属于五种判定类别,采用如下的分类公式:其中ROIC为区域建议框类别,H为垂直细长建议框,SH为次垂直细长建议框,S为方框,V为水平细长建议框,SV是次水平细长建议框。作为优选的技术方案,所述两个优化目标层为深度卷积神经网络的两个输出,即每个类别区域建议框的分类概率预测和偏移优化,目标损失函数由分类损失和位置损失组成;对区域建议框进行类别判定时,对每个类别的建议框设置不同的通道,每个通道都可分别计算每种类别区域建议框的目标损失函数,所述目标损失函数定义如下:其中,L2(w)为正则化函数,为总的区域建议框的分类损失,为总的区域建议框的位置回归损失,i表示每个mini-batch中的区域建议框的索引,Ncls为归类层的归一化系数;Nreg为位置回归层的归一化系数;pi为目标的预测概率;为真实标签;R是鲁棒损失函数,λ为平衡权重;ti为预测包围框的坐标向量;为与正候选区域对应的真实包围框的坐标向量;ti和的计算方式如下:ti=(tx,ty,tw,th)tx=(x-xa)/waty=(y-ya)/hatw=log(w/wa)th=log(h/ha)式中,x,y,w,h分别表示预测的包围框中心坐标、宽度和高度;xa,ya,wa,ha分别表示候选区域的包围框中心坐标、宽度和高度;x*,y*,w*,h*分别表示真实包围框中心坐标、宽度和高度。作为优选的技术方案,步骤(3),具体如下:采用区域建议框生成网络和目标检测网络交替训练,在训练的过程中使用梯度下降的方式进行迭代计算并且更新网络中的参数,一开始对参数进行初始化,利用绝缘子训练数据进行迭代,计算真实数值和输出网络数值之间的损失函数误差,再将误差从最后一层往前传播,一直传输到输入,同时利用梯度算法计算每一步的梯度,进而对每一层的权值进行更新,直到损失函数达到最小,或者达到设置的迭代次数从而结束训练;其中,所述采用区域建议框生成网络和目标检测网络交替训练,具体过程如下:第一步:用ImageNet模型对区域建议框生成网络进行初始化,然后开始训练区域建议框生成网络,实现端到端微调以用于区域建议框生成,区域建议框由选择性搜索和滑动两种方式共同生成;第二步:利用第一步使用两种方式生成的区域建议框训练一个目标检测网络,所述目标检测网络包括卷积层部分、区域建议框生成层、ROI池化层、区域建议框判定层、两个全连接层、以及两个优化目标层,其中区域建议框生成层只使用选择搜索生成区域建议框;训练过程中,所述使用两种方式生成的区域建议框替换只使用选择搜索生成的区域建议框,目标检测网络的其他网络层保持不变,此时第一步所述的区域建议生成网络与训练后的目本文档来自技高网...

【技术保护点】
1.一种基于深度学习的绝缘子故障定位识别方法,其特征在于,包括下述步骤:(1)采集绝缘子图像并进行预处理,构建绝缘子图像数据集;(2)构建深度卷积神经网络模型,该模型提取绝缘子的图像特征信息,采用选择性搜索和多尺度滑动窗口的方式来生成区域建议框,并对生成的区域建议框进行分类,进而对绝缘子进行类别判定和目标定位;(3)利用绝缘子图像数据集对构建的深度卷积神经网络模型进行训练,具体是采用区域建议框生成网络和目标检测网络交替训练,并结合梯度下降法进行迭代计算权值;(4)对训练完成的深度卷积神经网络模型进行故障定位识别测试。

【技术特征摘要】
1.一种基于深度学习的绝缘子故障定位识别方法,其特征在于,包括下述步骤:(1)采集绝缘子图像并进行预处理,构建绝缘子图像数据集;(2)构建深度卷积神经网络模型,该模型提取绝缘子的图像特征信息,采用选择性搜索和多尺度滑动窗口的方式来生成区域建议框,并对生成的区域建议框进行分类,进而对绝缘子进行类别判定和目标定位;(3)利用绝缘子图像数据集对构建的深度卷积神经网络模型进行训练,具体是采用区域建议框生成网络和目标检测网络交替训练,并结合梯度下降法进行迭代计算权值;(4)对训练完成的深度卷积神经网络模型进行故障定位识别测试。2.根据权利要求1所述的基于深度卷积神经网络的绝缘子故障定位识别方法,其特征在于,步骤(1)中,对绝缘子图像进行预处理,构建绝缘子图像数据集,具体为:对所述绝缘子图像的大小进行归一化,然后对归一化后的绝缘子图像进行扩增处理;所述扩增处理的方式包括对图像进行旋转、剪裁、平移、镜像、清晰化和去噪操作。然后采用Bbox-label-tools对扩增后的绝缘子图像进行绝缘子的位置和类别标注,并将类别标签分为三类,分别是绝缘子,绝缘子故障,背景。3.根据权利要求1所述的基于深度学习的绝缘子故障定位识别方法,其特征在于,所述步骤(2)中的深度卷积神经网络模型,该模型架构包括:输入图片层、共享卷积层、区域建议框生成层、ROI池化层、区域建议框判定层、两个全连接层和最后用于类别判定与位置回归的两个优化目标层;输入图片由输入图片层进入共享卷积层,共享卷积层作为特征提取层来提取输入图片的底层特征图,所述底层特征图经过区域建议框生成层生成区域建议框,使用非极大值抑制算法消除多余的区域建议框,未消除的区域建议框进入ROI池化层,ROI池化层是一个pooling层,提取区域建议框的特征图,然后输出到区域建议框判定层并对特征图进行类别判定,随后经过所述两个全连接层,最后进行绝缘子的分类和目标定位。4.根据权利要求3所述的基于深度学习的绝缘子故障定位识别方法,其特征在于,所述共享卷积层包括多层结构,每层结构由卷积层、RELU层或池化层组成。5.根据权利要求4所述的基于深度学习的绝缘子故障定位识别方法,其特征在于,所述共享卷积层是由5个layer组成,第一个layer层由一个卷积层加一个RELU层加一个池化层组成,卷积核的大小为7*7*3*96,步长为2,pooling的大小为3*3,步长为2,padding为1;第二个layer层由一个卷积层加一个RELU层加一个池化层组成,卷积核的大小为5*5*96*256,步长为2,pooling的大小为3*3,步长为2,padding为1;第三个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*256*384,步长为1;第四个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*384*384,步长为1;第五个layer层由一个卷积层和一个RELU层组成,卷积核的大小为3*3*384*256,步长为1;在所述的每个layer层中,池化层均采用最大池化,选取区域内的最大值作为特征值。6.根据权利要求3所述的基于深度学习的绝缘子故障定位识别方法,其特征在于,所述区域建议框生成层采用选择性搜索和多尺度滑动窗口的方式来生成区域建议框;对深度卷积神经网络模型进行训练时,同时使用选择性搜索和多尺度滑动窗口来生成区域建议框;对训练完成的深度卷积神经网络模型进行测试时,采用选择性搜索生成区域建议框。7.根据权利要求3所述的基于深度学习的绝缘子故障定位识别方法,其特征在于,所述区域建议框判定层用于对生成的区域建议框进行类别判定,所述类别判定取决于区...

【专利技术属性】
技术研发人员:田立斌阮海清
申请(专利权)人:华南理工大学
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1