【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 ...
【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...
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。