【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...
【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：
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。