一种基于深度学习的绝缘子识别方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于深度学习的绝缘子识别方法
本专利技术涉及一种基于深度学习的绝缘子识别方法，属于输电线路无人机图像的绝缘子识别

技术介绍
由于输电线要长期经受风吹、雨淋、日晒，加上自身机械疲劳，会使得绝缘子出现破碎、裂缝等损伤，使绝缘子不能正常的发挥作用，进而导致输电线路的发生危险，相关数据表明，国内输电线路的故障约有八成是由绝缘子发生故障导致。输电线路上绝缘子的主要作用是固定输电线，一旦发生故障，就会导致输电线与输电线之间或输电线与塔台之间发生接触，导致供电中断，严重时甚至会发生大范围停电的事故。因此，需要对绝缘子进行定期的检修和维护。按照传统的依赖人工进行检测，不仅耗时，也耗人力和财力。随着自动化、智能化、高速化技术的发展，如何快速准确地检测和识别输电线路的绝缘子已成为数字图像处理领域中的一个热门问题。目前，对绝缘子识别的方法主要分为两大类：基于模板检测的算法和基于机器学习的方法，前者主要通过一些常见的算子对原图像进行模板匹配，后者主要通过学习绝缘子的特征进行识别。目前位置，国内外对绝缘子识别有一些研究，文献“基于SIFT的高速列车车顶瓷瓶识别方法”(林萍，王黎，罗林.机车电传动本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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；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。2.根据权利要求1所述的一种基于深度学习的绝缘子识别方法，其特征在于：步骤1中去噪防抖处理采用双边滤波器进行去噪处理，双边滤波将图像的任意一点与其周围的像素的差异进行高斯权重量化，双边函数的表达式如下：其中，B(x,y；i,j)表示影像上滤波窗口内像素点(i,j)对滤波中心像素(x,y)的综合权重影响因子；σd表示领域内距离方差；σg表示窗口内像素的方差值；N表示对影像进行双边滤波处理时的卷积窗口半径大小。双边滤波针对图像窗口内像素的亮度信息，计算灰度之间的相似度，结合距离因子而赋予像素的权重，对原图像进行卷积计算，通过实验表面，当参数组合为r＝20，σd＝25，σg＝30的情况下，双边滤波对无人机影像有较好的滤波效果，有效地保护了图片中的绝缘子特征。3.根据权利要求1所述的一种基于深度学习的绝缘子识别方法，其特征在于：步骤2中预处理的数据的扩充方法包括对预处理过的图像进行几何变换、改变图像对比度和人为添加模拟噪声。4.根据权利要求2所述的一种基于深度学习的绝缘子识别方法，其特征在于：几何变换是在规定范围内对图像进行旋转，改变图像的大小以及位移，生成不同几何变换条件下的新图像；改变图像对比度采用三种方法：1)将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差，2)将三个彩色空间的像素围绕平均像素强度线性变换加减两个标准偏差，3)对比受限的自适应直方图均衡化；人为添加噪声采用高斯核对图像进行卷积，产生一些随机噪声。5.根据权利要求1所述的一种基于深度学习的绝缘子识别方法，其特征在于：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。6.根据权利要求5所述的一种基于深度学习的绝缘子识别方法，其特征在于：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...

【专利技术属性】
技术研发人员：杨恒，虢韬，沈平，陈凤翔，王伟，杨渊，时磊，刘晓伟，李德洋，田丁，
申请(专利权)人：贵州电网有限责任公司输电运行检修分公司，武汉科迪奥电力科技有限公司，
类型：发明
国别省市：贵州,52