基于深度神经元响应模式的绝缘子红外图像特征表达方法技术

本发明专利技术公开一种基于深度神经元响应模式的绝缘子红外图像特征表达方法，所述表达方法包括：步骤一：根据深度网络对输入图像I进行前向传递；步骤二：根据所述深度网络构建深度特征模型，获得深度绝缘子红外特征。本发明专利技术基于深度神经元响应模式的绝缘子红外图像特征表达方法根据输入的图像挖掘出深度神经元的响应模式，改进深度网络，构建深度特征模型，从而确定绝缘子红外特征，提高绝缘子红外图像特征的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及图像分析
，特别是涉及一种基于深度神经元响应模式的绝缘子红外图像特征表达方法。
技术介绍
绝缘子是输电线路中极其重要且大量存在的部件，起到电气绝缘及机械支撑作用；同时又是故障多发元件，需要对其进行周期性的检修。随着热红外技术的进步，利用红外热像仪的手段对绝缘子内部缺陷进行诊断已在实际工作中大量运用。为了能在海量数据中利用智能手段实现绝缘子红外图像的自动识别与诊断，首先必须构建针对绝缘子的有效特征表达。图像的特征表达是图像处理、模式识别和计算机视觉等领域的关键技术，其目的在于从图像的原始像素中提取具有代表性，独特性，具有区分度的表示。在目标检测，目标追踪，图像分割，图像分类等计算机视觉任务中图像的特征表达是最基本前提，特征表达的好坏直接影响了最终的结果。长期以来，如何获取图像更出色的特征表达是学者们研究的重点。为了解决各种计算机视觉任务，一大批基于手工设计的特征被相继提出，从HOG(HistogramofOrientedGradient)，LBP(LocalBinaryPattern)，到基于局部不变特征点的Sift(Scale-invariantfeaturetransform)，SURF(SpeededUpRobustFeatures)及其一系列改良版本如BRISK(BinaryRobustInvariantScalableKeypoints)，FREAK(FastRetinaKeypoint)等，进而到中层特征构建如Bag-of-feature，FV(FisherVector)和VLAD(VectorofLocallyAggregatedDescriptors)等。这些特征往往为了某种特定任务而被设计，并适用于固定场景下。而这些现有的方法必须根据传感器数据图像的特点分别进行特征手工设计，随着应用场景的改变设计模型也必须进行相应变化，极大增加了算法难度并且具有较弱的泛化性能。直接利用像素或人工特征对目标进行表达的，其精确性很难保证，而深度学习利用模拟视觉感知系统的层次结构，建立含有丰富隐层结构的机器学习模型，通过大量的数据训练，能够学习获得有用的本质特征。在图像处理任务中，深度神经网络能够有效的对图像进行高层次特征表达，相比于手工特征，能够抽取更具有区分度的特征。近年来，层次更深，性能更优的网络模型被不断提出，然而仅仅利用全连接层(Fully-ConnectedLayer,FCLayer)的特征缺失了大量的局部信息，具有较差的几何不变性。由于红外图像成像机理的独特性，直接利用DCNN(DeepConvolutionNeuralNetwork)模型提取的特征会降低泛化性能。因此为了满足红外图像数据分析的需要，必须基于深度神经元响应模式，在深度网络模型之上探索更优异，更具有泛化性的深度特征表达方法。
技术实现思路
本专利技术的目的是提供一种基于深度神经元响应模式的绝缘子红外图像特征表达方法，可提高绝缘子红外图像特征的鲁棒性。为实现上述目的，本专利技术提供了如下方案：一种基于深度神经元响应模式的绝缘子红外图像特征表达方法，所述表达方法包括：步骤一：根据深度网络对输入图像I进行前向传递；步骤二：根据所述深度网络构建深度特征模型，获得深度绝缘子红外特征。可选的，所述根据深度网络对输入图像I进行前向传递的方法包括：步骤11：对输入的图像提取表征深度特征的各层神经元响应F：F＝Φ(I)(1)，其中，Φ(·)为基于预训练网络产生的深度网络特征提取函数，F表示输入图像I后前向传递得到的各层神经元响应特征集合；步骤12：基于预训练的深度网络参数，构建深度特征增益层函数f(x)确定初级深度网络：f(x)=c·xc≥1---(2),]]>其中，c为常数，x表示深度网络神经元响应特征集合F中的中间层特征；步骤13：对所述初级深度网络依次进行权值压缩及深度网络剪枝，以得到改进深度网络。可选的，所述权值压缩的方法包括：通过随机丢失的方法对初级深度网络中的深度网络参数进行随机置零，以实现深度网络中权值的压缩。可选的，所述深度网络剪枝的方法包括：在权值压缩后，通过节点相似度方法计算深度网络中各个节点的相似度；利用Jaccard方法计算深度网络分支相似度sim，如式(3)所示，其中分支ci与cj的相似度阈值设为80％，sim(ci,cj)=ci∩cjci∪cj---(3);]]>根据各个节点的相似度将相近相似度的节点进行合并，减少网络的节点数，实现深度网络剪枝。可选的，所述获得深度绝缘子红外特征的方法包括：步骤21：根据以下公式在所述深度网络中提取中层特征θ(xi)=xi,ifxi>00,ifxi<0---(4),]]>Fjl=θ(Σi=1Ml-1Fil-1*Wijl+bjl)---(5),]]>其中，为F其中一特征图，l表示卷积层数，表示第l层卷积阵列中第i行第j列的卷积核，其中i＝1,...,l，j＝1,...,l，表示第j列卷积的偏差，Ml-1表示第l层卷积阵列的卷积核数量，xi表示第i行卷积对应的深度网络特征值，θ(·)表示激活函数；步骤22：从对应的图像中提取的第l层中层深度特征其可以看作为大小h×w×d三维张量组合S，其中S＝{s1,...,si,...,sn本文档来自技高网...

【技术保护点】
一种基于深度神经元响应模式的绝缘子红外图像特征表达方法，其特征在于，所述表达方法包括：步骤一：根据深度网络对输入图像I进行前向传递；步骤二：根据所述深度网络构建深度特征模型，获得深度绝缘子红外特征。

【技术特征摘要】
1.一种基于深度神经元响应模式的绝缘子红外图像特征表达方法，其特征在于，所述表达方法包括：步骤一：根据深度网络对输入图像I进行前向传递；步骤二：根据所述深度网络构建深度特征模型，获得深度绝缘子红外特征。2.根据权利要求1所述的基于深度神经元响应模式的绝缘子红外图像特征表达方法，其特征在于，所述根据深度网络对输入图像I进行前向传递的方法包括：步骤11：对输入的图像提取表征深度特征的各层神经元响应F：F＝Φ(I)(1)，其中，Φ(·)为基于预训练网络产生的深度网络特征提取函数，F表示输入图像I后前向传递得到的各层神经元响应特征集合；步骤12：基于预训练的深度网络参数，构建深度特征增益层函数f(x)确定初级深度网络：f(x)=c·xc≥1---(2),]]>其中，c为常数，x表示深度网络神经元响应特征集合F中的中间层特征；步骤13：对所述初级深度网络依次进行权值压缩及深度网络剪枝，以得到改进深度网络。3.根据权利要求2所述的基于深度神经元响应模式的绝缘子红外图像特征表达方法，其特征在于，所述权值压缩的方法包括：通过随机丢失的方法对初级深度网络中的深度网络参数进行随机置零，以实现深度网络中权值的压缩。4.根据权利要求2所述的基于深度神经元响应模式的绝缘子红外图像特征表达方法...

【专利技术属性】
技术研发人员：赵振兵，徐国智，范晓晴，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13