基于不确定性估计的绝缘子破损识别方法技术

基于不确定性估计的绝缘子破损识别方法，通过数据增强扩充采集到的绝缘子破损图像作为训练数据和测试数据；首先由YOLOv5s模型定位绝缘子区域；然后根据定位框信息，从巡检图像中截取绝缘子区域，采用DenseNet201模型对截取的绝缘子区域进行进一步的缺陷分类；根据MC

【技术实现步骤摘要】
基于不确定性估计的绝缘子破损识别方法


[0001]本专利技术涉及绝缘子缺陷识别领域，具体涉及一种基于不确定性估计的绝缘子破损识别方法。

技术介绍

[0002]配电网线路多数为野外架空线路，绝缘子长期在野外复杂气象环境的影响下容易出现污秽、破损等问题，因此对配电网绝缘子的定期巡检至关重要。随着无人机巡检在配电线路中广泛开展应用，有效的降低了人工巡线的工作量，同时由机器视觉自动识别可见光巡检图像数据的技术，极大的提高了电力巡检的效率。
[0003]基于深度学习的巡检图像自动识别在近几年的研究中表现优异，目前对输电线路巡检图像的缺陷检测已经取得了一定成果，但是在配电网中的应用较少。配电网巡检绝缘子图像的现场环境与气象条件复杂，拍摄角度多变，绝缘子缺陷在图像表现形态上多样化，训练集难以覆盖到所有的缺陷形态上，神经网络的结构限制了对训练集中未出现的缺陷形态的泛化能力。近年来的研究主要集中在提高检测精度上，目前几乎没有对电力巡检检测结果的不确定性分析。
[0004]贝叶斯神经网络可以很好的解决不确定性量化问题，通过结合先验信息与观测数据下的似然信息来得到参数的后验概率分布，可以提升对未知样本的泛化能力并提供预测结果的不确定性。贝叶斯神经网络中常用的推断方法，马尔可夫链蒙特卡罗方法(MCMC)和变分推断方法(VI)目前已经在前馈网络和递归神经网络中取得了较好的效果，但是在卷积神经网络中受到了计算量的限制。
[0005]因此本专利技术提出了一种基于不确定性估计的绝缘子破损识别方法，采用MC
‑
>dropout算法引入了认知不确定性，只需要对传统卷积神经网络进行很小的调整就可以获得与贝叶斯神经网络相似的预测结果，大幅减小了计算量。

技术实现思路

[0006]针对上述的所有问题，本专利技术提供一种基于不确定性估计的绝缘子破损识别方法，采用蒙特卡罗丢弃算法(Monte Carlo dropout，MC
‑
dropout)来进行近似贝叶斯推理，能够对识别结果的不确定性定量描述，来辅助检修人员维修。
[0007]本专利技术采取的技术方案为：
[0008]基于不确定性估计的绝缘子破损识别方法，包括以下步骤：
[0009]步骤1：制作用于配电网绝缘子破损检测的数据集，按9：1的比例划分为训练数据和测试数据；
[0010]步骤2：将步骤1中绝缘子破损检测的数据集用于YOLOv5s网络进行训练；
[0011]步骤3：根据定位框信息，从数据集图像中截取绝缘子矩形区域，并按照是否存在破损故障进行分类存储，将截取的绝缘子图像数据用于DenseNet201网络进行训练；
[0012]步骤4：将训练好的YOLOv5s和DenseNet201模型用于配电网绝缘子破损实时检测
中，先通过YOLOv5s模型定位绝缘子区域；然后根据定位框，从巡检图像中截取绝缘子区域，采用DenseNet201模型对绝缘子是否破损进行进一步的分类。
[0013]步骤5：根据MC
‑
dropout方法完成训练的DenseNet201模型，在测试时，前向传播的过程中仍保留dropout操作，在dropout的作用下通过随机关闭神经元能够得到多个不同网络结构，从而对同一个样本进行多次预测。
[0014]步骤6：计算多次预测结果的均值表示DenseNet201模型的分类结果，计算多次预测结果的方差来表示分类结果的不确定性。
[0015]所述步骤1中，实验数据包含2000张某省配电网巡检无人机航拍图像，并用Labelimg标注工具对绝缘子区域用矩形框进行人工标注，保存为YOLO格式。
[0016]所述步骤2中，采用轻量级的YOLOv5s模型，权重文件大小仅27MB，在保证准确率的同时，检测速度也更快，适用于无人机电力巡检的嵌入式设备。设置YOLOv5s网络训练参数：批量大小(batchsize)设置为64，迭代次数(epoch)设置为300，初始学习速率设置为0.001，衰减系数设置为0.0005。
[0017]所述步骤3中，具体包括：
[0018]步骤3.1：截取的绝缘子图像数据包含2000张正常绝缘子和63张破损绝缘子，由于配电网破损故障绝缘子图像数据较少，图片样本数量不平衡，采用图片翻转，亮度调整和添加高斯噪声的数据增强方式合成图片增加破损绝缘子图像，将破损绝缘子图像扩充至800张。
[0019]步骤3.2：设置DenseNet201网络训练参数：批量大小(batchsize)设置为64，迭代次数(epoch)设置为100，初始学习速率设置为0.001，衰减系数设置为0.005，dropout概率为0.5。
[0020]所述步骤5中，采用MC
‑
dropout方法，获取DenseNet201模型测试结果的不确定性，具体方案如下：
[0021]在训练时，无需改变DenseNet201模型结构，在测试时开启dropout，通过随机关闭神经元，形成多个不同的网络结构。具体通过在DenseNet201模型的全连接层设置每一个神经元的激活函数值以p＝0.5的概率变成0，经过dropout后每层的神经元数量变为原来的大约一半，在测试时开启dropout，每次测试时神经网络结构都会不同，通过这多个不同的网络结构对同一个样本进行多次预测，计算多次预测结果的平均值作为分类结果，计算多次预测的方差作为检测结果的不确定性。
[0022]所述步骤6中，由公式(1)计算多次预测结果的均值表示DenseNet201模型的分类结果，分类结果为正常绝缘子或破损绝缘子。计算多次预测结果的方差来表示分类结果的不确定性。方差表示的不确定性具体由公式(2)计算，由于数据分布为多峰时，方差描述不确定性的能力较低，进一步的采用信息熵计算不确定性如公式(3)所示。具体方案如下：
[0023]传统分类网络dropout层通过在训练过程中将部分神经元以一定概率随机关闭来提高模型泛化能力并减少过拟合，在预测时则关闭dropout。MC
‑
dropout算法不需要改变模型训练过程，通过在模型预测时开启dropout层，将T次预测的均值作为分类结果，方差作为不确定度，且T次采样可以并行处理，相当于模型运行一次的时间。DenseNet201模型的预测结果如公式(1)所示，方差如公式(2)所示。
[0024][0025][0026]式(1)中，E(y)表示T次预测结果的均值，T为采样次数，X为输入样本，为网络给定输入X在第t次预测时的输出。
[0027]式(2)中，Var(y)表示T次预测结果的方差。
[0028]由于数据分布为多峰时，方差描述不确定性的能力较低，进一步的采用信息熵来表示不确定性，如公式(3)所示。
[0029][0030]式(3)中，H(p)表示结果的信息熵，用来描述不确定性度量，I为类别数，p
i
为抽样结果为i时的概率分布，i＝0表示样本为正常绝缘子，i＝1表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于不确定性估计的绝缘子破损识别方法，其特征在于包括以下步骤：步骤1：制作用于配电网绝缘子破损检测的数据集，并划分为训练数据和测试数据；步骤2：将步骤1中绝缘子破损检测的数据集用于YOLOv5s网络进行训练；步骤3：根据定位框信息，从数据集图像中截取绝缘子矩形区域，并按照是否存在破损故障进行分类存储，将截取的绝缘子图像数据用于DenseNet201网络进行训练；步骤4：将训练好的YOLOv5s和DenseNet201模型用于配电网绝缘子破损实时检测中，先通过YOLOv5s模型定位绝缘子区域；然后根据定位框，从巡检图像中截取绝缘子区域，采用DenseNet201模型对绝缘子是否破损进行进一步的分类；步骤5：根据MC
‑
dropout方法完成训练的DenseNet201模型，在测试时，前向传播的过程中保留dropout操作，在dropout的作用下通过随机关闭神经元能够得到多个不同网络结构，从而对同一个样本进行多次预测；步骤6：计算多次预测结果的均值表示DenseNet201模型的分类结果，计算多次预测结果的方差来表示分类结果的不确定性。2.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于:步骤1中，实验数据包含2000张配电网巡检无人机航拍图像，并用Labelimg标注工具对绝缘子区域用矩形框进行人工标注，保存为YOLO格式。3.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤2中，采用轻量级的YOLOv5s模型，权重文件大小27MB，设置YOLOv5s网络训练参数：批量大小设置为64，迭代次数设置为300，初始学习速率设置为0.001，衰减系数设置为0.0005。4.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤3具体包括：步骤3.1：截取的绝缘子图像数据包含2000张正常绝缘子和63张破损绝缘子，采用图片翻转，亮度调整和添加高斯噪声的数据增强方式合成图片增加破损绝缘子图像，将破损绝缘子图像扩充至800张；步骤3.2：设置DenseNet201网络训练参数：批量大小设置为64，迭代次数设...

【专利技术属性】
技术研发人员：张磊，胡仕林，叶婧，熊致知，张家瑞，黄悦华，薛田良，李振华，杨楠，刘颂凯，徐雄军，肖繁，程江洲，
申请(专利权)人：三峡大学，
类型：发明
国别省市：