一种基于深度聚类的小样本电气设备图像分类方法技术

本发明专利技术公开一种基于深度聚类的小样本电气设备图像分类方法，该方法首先网络搜索和现场进行实地拍摄的方式收集若干电气设备图像，创建电气设备图像数据集；然后将将数据集随机分为两部分，分别被用于分类模型的预训练和小样本电气分类的训练与测试；接下来利用C均值聚类算法图像样本的特征进行聚类，将聚类结果作为图像的标签值，基于标签值与类别概率输出值计算交叉熵损失函数，利用梯度下降算法对深度卷积神经网络模型中的参数进行优化；最后利用训练好的网络对小样本电气图像完成训练和测试。该方法能够在只对电气设备图像进行少量人工标注的情况下完成对电气设备的自动分类识别。识别。识别。

【技术实现步骤摘要】
一种基于深度聚类的小样本电气设备图像分类方法


[0001]本专利技术涉及一种基于深度聚类的小样本电气设备图像分类方法，属于计算机视觉领域。

技术介绍

[0002]目前，电力系统已经通过智能化图像采集电气设备的运行状况实时监控。然而，面对海量数据，人工处理的效率地下，从而导致电力系统的巡检质量下降。在整个电力系统中，电气设备作为电力系统中的关键部分，对应进行自动化识别可以大大提高电力设备运营的效率。随着深度学习技术在图像识别应用的不断成熟，基于深度卷积网络模型的电气设备图像的分类识别方法也相继被提出。例如，王雨滢(王雨滢，赵庆生，梁定康.基于深度学习网络的电气设备图像分类[J].科学技术与工程,2020,20(23):9491
‑
9496.等提出一种基于深度学习网络的电气设备图像分类方法，该方法通过深度卷积神经网络提取电气设备图像的特征，利用SVM分类器完成对图像的分类预测。然而深度卷积网络的需要依靠大规模的标注数据才来完成训练，为了解决上述技术问题，本专利技术公开了一种基于深度聚类的小样本电气设备图像分类方法，在只对电气设备图像进行少量人工标注的情况下完成对电气设备的自动分类识别，从而降低人工和经济成本，提高电气设备图像的识别效率和性能。

技术实现思路

[0003]针对上述现有技术存在的问题，本专利技术提供一种基于深度聚类的小样本电气设备图像分类方法，从而解决上述技术问题。
[0004]为了实现上述目的，本专利技术采用的技术方案是：一种基于深度聚类的小样本电气设备图像分类方法，包括如下步骤；
[0005]步骤S1:电气设备图像的收集与处理,收集电气设备图像，第一种途径为利用图像搜索引擎收集若干电气设备图像；第二种途径为到现场进行实地拍摄；
[0006]步骤S2:分类模型的构建,分类模型由主干神经网络、线性分类器以及Softmax层三个模块组成；
[0007]步骤S3:分类模型的预训练；在数据集D
pretrain
随机抽取一批图像，将其输入到分类模型中提取特征，经过线性分类器以及Softmax将特征转化为类别概率输出值，利用C均值聚类算法对这些图像样本的特征进行聚类，将聚类结果作为图像的标签值，基于标签值与类别概率输出值计算交叉熵损失函数，利用梯度下降算法对分类模型中的参数进行优化；
[0008]步骤S4:小样本电气图像的特征提取，移除分类模型中的线性分类器以及Softmax层，固定分类模型中的主干神经网络中的参数作为特征提取器。在数据集D
FSC
中每类中随机抽取M幅图像作为训练图像样本，将每类剩余样本作为测试图像样本。将训练图像样本和测试图像样输入到分类模型中的主干神经网络中提取图像特征；
[0009]步骤S5：样本电气图像分类测试，利用训练图像样本的分类标签，使用K近邻算法得到测试图像样本的类别标签。
[0010]进一步的，所述步骤S1的具体步骤为：
[0011]S11：首先利用图像搜索引擎收集若干电气设备图像，由于网络中关于电气设备的图像数量不多，再到现场进行实地拍摄大量电气设备图像，将网络和实地拍摄图像合并得到电气设备图像数据集D；
[0012]S12：将数据集D随机分为两个部分，一部分用于后续分类模型的预训练，被表示为D
pretrain
，对另一部分图像的类别进行人工标注用于后续小样本电气分类的训练与测试，该部分数据集表示为D
FSC
。
[0013]进一步的，所述步骤S2的具体步骤为：
[0014]S21：选择轻量级模型MoblieNet作为分类模型中的主干网络，该网络共包含28层，第一层为标准卷积核层，卷积核的大小3
×
3，数量为32个，其余层为深度可分离卷积层，由一个深度卷积和一个1
×
1卷积交替组成的，主干网络表示为M
θ
(
·
)，θ为网络中的参数；
[0015]S22：分类模型中的线性分类器和Softmax层被分别表示为L
φ
(
·
)和S(
·
)，其中为参数矩阵。
[0016]进一步的，所述步骤S3的具体步骤为：
[0017]S31：在数据集D
pretrain
随机抽取一批图像，将其输入到分类模型中的主干神经网络提取特征，第i幅图像表示为x
i
，其特征表示为：
[0018]z
i
＝M
θ
(x
i
)
ꢀꢀꢀ
(1)；
[0019]S32：对上述图像样本的特征进行C均值聚类，每个图像样本所属于的聚类类别作为该图像样本的标签，第i幅图像表示为x
i
属于第c个聚类，则其对应的标签值表示为y
i
∈C；
[0020]S33：线性分类器以及Softmax对图像特征的类别概率输出值的计算公式为：
[0021][0022]其中p
ic
表示第i幅图像属于第c类别的概率值，表示线性分类器中参数矩阵的第c个分量；
[0023]S34：则类别概率输出值与标签值之间的交叉熵损失函数计算公式为：
[0024][0025]其中y
ic
表示标签值的第c个分量。
[0026]进一步的，所述步骤S4的具体步骤如下：
[0027]S41：移除分类模型中的线性分类器以及Softmax层，固定分类模型中的主干神经网络中的参数作为特征提取器；
[0028]S42：在数据集DFSC中每类中随机抽取M幅图像作为训练图像样本，第m幅图像表示为x
m
，将每类剩余样本作为测试图像样本，第q幅图像表示为x
q
；
[0029]S43：第m幅图像x
m
和第q幅图像x
q
的特征表示为：
[0030]z
m
＝M
θ
(x
m
)
ꢀꢀꢀ
(4)；
[0031]z
q
＝M
θ
(x
q
)
ꢀꢀꢀ
(5)。
[0032]进一步的，所述步骤S5的具体步骤如下：
[0033]S51：利用训练图像样本的分类标签，使用K近邻算法得到测试图像样本进行分类
测试的计算公式为：
[0034][0035]其中D(z
m
,z
q
)计算z
m
和z
q
之间的距离，从而确定测试图像样本与训练图像样本的近邻。
[0036]本专利技术的有益效果是：本专利技术公开了一种基于深度聚类的小样本电气设备图像分类方法，在只对电气设备图像进行少量人工标注的情况下完成对电气设备的自动分类识别，从而降低人工和经济成本，提高电气设备图像的识别效率和性能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度聚类的小样本电气设备图像分类方法，其特征在于，包括如下步骤；步骤S1:电气设备图像的收集与处理,收集电气设备图像，第一种途径为利用图像搜索引擎收集若干电气设备图像；第二种途径为到现场进行实地拍摄；步骤S2:分类模型的构建,分类模型由主干神经网络、线性分类器以及Softmax层三个模块组成；步骤S3:分类模型的预训练；在数据集D
pretrain
随机抽取一批图像，将其输入到分类模型中提取特征，经过线性分类器以及Softmax将特征转化为类别概率输出值，利用C均值聚类算法对这些图像样本的特征进行聚类，将聚类结果作为图像的标签值，基于标签值与类别概率输出值计算交叉熵损失函数，利用梯度下降算法对分类模型中的参数进行优化；步骤S4:小样本电气图像的特征提取，移除分类模型中的线性分类器以及Softmax层，固定分类模型中的主干神经网络中的参数作为特征提取器。在数据集D
FSC
中每类中随机抽取M幅图像作为训练图像样本，将每类剩余样本作为测试图像样本。将训练图像样本和测试图像样输入到分类模型中的主干神经网络中提取图像特征；步骤S5：样本电气图像分类测试，利用训练图像样本的分类标签，使用K近邻算法得到测试图像样本的类别标签。2.根据权利要求1所述的一种基于深度聚类的小样本电气设备图像分类方法，其特征在于，所述步骤S1的具体步骤为：S11：首先利用图像搜索引擎收集若干电气设备图像，由于网络中关于电气设备的图像数量不多，再到现场进行实地拍摄大量电气设备图像，将网络和实地拍摄图像合并得到电气设备图像数据集D；S12：将数据集D随机分为两个部分，一部分用于后续分类模型的预训练，被表示为D
pretrain
，对另一部分图像的类别进行人工标注用于后续小样本电气分类的训练与测试，该部分数据集表示为D
FSC
。3.根据权利要求1所述的一种基于深度聚类的小样本电气设备图像分类方法，其特征在于，所述步骤S2的具体步骤为：S21：选择轻量级模型MoblieNet作为分类模型中的主干网络，该网络共包含28层，第一层为标准卷积核层，卷积核的大小3
×
3，数量为32个，其余层为深度可分离卷积层，由一个深度卷积和一个1
×
1卷积交替组成的，主干网络表示为M
θ
(
·
)，θ为网络中的参数；S22：分类模型中的线性分类器和Softmax层被分别表示为L
φ
(
·
)和S(
·
)，...

【专利技术属性】
技术研发人员：杨赛，胡彬，周伯俊，杨慧，
申请(专利权)人：南通大学，
类型：发明
国别省市：