一种基于非平衡类深度学习的绝缘子检测方法技术

本发明专利技术一种基于非平衡类深度学习的绝缘子检测方法，具体步骤如下：步骤1：手动提取或从已训练好的变电站绝缘子识别模型中得到M维先验特征；步骤2：根据样本特征集，使用K

【技术实现步骤摘要】
一种基于非平衡类深度学习的绝缘子检测方法


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于非平衡类深度学习的绝缘子检测方法。

技术介绍

[0002]在图像识别检测中，有时会出现样本分布不均衡的情况，容易出现部分数据类较大，另一部分数据类较小的情况，这样往往会造成样本量较少的类所包含的特征较少，难以从中提取规律。对于图像边缘检测，样本往往呈现幂律分布。
[0003]而传统的解决方案通常分为两大类，重采样和代价敏感学习，前者通过改变数据分布，后者通过引入限制条件，但均没有改变样本量不足，信息匮乏的问题。
[0004]为了解决这个问题，可以通过插入相邻的少数类实例。然而，通过人工合成噪声和边界，其扩大的决策区域仍然容易出错。因此，尽管可能会删除潜在的有价值的信息，但欠采样通常优于过采样。成本敏感的替代方案通过直接对少数群体的错误分类施加更重的惩罚来避免这些问题。例如经典SVM对成本敏感，以改进对高度倾斜数据集的分类。将代价敏感法与ensemble approaches相结合，以进一步提高分类精度。

技术实现思路

[0005]为解决现有技术中的不足，本专利技术提供一种基于非平衡类深度学习的绝缘子检测方法，利用五元组约束，通过深层网络，强调了簇间和类间的边界，可以提取到更多的差别化的深层表征，解决了由于数据分布不均衡所带来的差异化问题，并且进行网络模型压缩，在测试是否收敛时能够加快计算速度。
[0006]本专利技术中主要采用的技术方案为：
[0007]一种基于非平衡类深度学习的绝缘子检测方法，具体步骤如下：
[0008]步骤1：手动提取或从已训练好的变电站绝缘子识别模型中得到M维先验特征，得到样本特征集P＝{p1，p2…
，p
m
}，m为特征个数；
[0009]步骤2：根据提取到的样本特征集P＝{p1，p2…
，p
m
}，使用K
‑
Means方法分别对每个类中样本的特征进行聚类；
[0010]步骤3：从每个类中重复均等地采样小批量，对所有抽取到的样本构建五元表；
[0011]步骤4：将五元表中的五个元素分别输入到五个相同的CNN网络结构中，构建损失函数计算损耗并反向梯度传播，以更新CNN网络参数；
[0012]步骤5：迭代执行步骤2
‑
步骤4，直至达到预设的迭代次数，得到更新的CNN网络，用于实现对绝缘子的检测。
[0013]优选地，所述步骤2中，对样本特征集P＝{p1，p2…
，p
m
}进行分类，记为b＝{0，1}，其中，含目标的少数类，表示不含目标的多数类，使用K
‑
Means方法对每个类中样本的特征进行聚类的具体步骤如下：
[0014]步骤2
‑
1：从类中随机选择k个初始质心其中，n＝0；
[0015]步骤2
‑
2：计算类中的所有样本p
i
与每个质心之间的欧式距离，如公式(1)所示：
[0016][0017]其中，表示第n次迭代的第j个质心；
[0018]步骤2
‑
3：比较步骤2
‑
2计算得到的欧式距离，将各样本p
i
划分到距离其最近的质心所属的簇内，从而将类划分为k个簇，如式(2)所示：
[0019][0020]其中，表示第n次迭代后的簇集合；
[0021]步骤2
‑
4：重新计算每个簇的质心，如式(3)所示：
[0022][0023]其中，表示第n次迭代的第j个簇，c
j
表示簇内样本的个数，p表示簇内样本特征；
[0024]步骤2
‑
5：根据步骤2
‑
4更新得到的新的质心均无变化，则进行步骤2
‑
6，若新的质心发生变化，则令n＝n+1，返回步骤2
‑
2，直至更新后的质心均无变化；
[0025]步骤2
‑
6：根据最终的质心划分聚类后的结果如式(4)所示：
[0026][0027]其中，N为最终迭代次数。
[0028]优选地，所述步骤3中，所述五元表定义如下：
[0029]p
i
：选定个体；
[0030]p
i
所在簇中最远的个体；
[0031]p
i
所在簇的最近同类簇中距离p
i
最近的个体；
[0032]p
i
所在簇的最近同类簇中距离p
i
最远的个体；
[0033]p
′
i
：距离p
i
最近的不同类个体；
[0034]满足以下约束：
[0035][0036]其中，为p
i
与的欧氏距离：
[0037]为p
i
与的欧氏距离：
[0038]为p
i
与的欧氏距离：
[0039]D(p
i
，p
′
i
)为p
i
与p
′
i
的欧氏距离：
[0040]优选地，所述步骤4中，损失函数的具体构建方法如下：
[0041]定义损失函数如式(5)所示：
[0042][0043]受约束于：
[0044][0045]式中，ε
i
，τ
i
，σ
i
为松弛变量，W为CNN网络参数，λ为正则化参数，f(p)是样本个体p经过CNN所得到的新的特征向量，在多维空间中，g1为一个类中簇间所保持安全的最小边际，g2是一个类中簇间的最大边际，g3是类间的最大边际；
[0046]假设总共有L个训练样本，假设某个类的大小为L
c
，定义超球体的半径为s＝0，...，1，为每个类生成l个簇，g1，g2，g3的下限是零，当所有簇被压缩成一个点时，其上界如下所示：
[0047][0048]可得优化的目标函数为：
[0049][0050]受约束于：
[0051][0052]优选地，所述步骤4中，CNN网络参数的具体更新步骤如下：
[0053]S4
‑
1：将经反向梯度传播后的CNN模型压缩为二值化网络，卷积层的操作采用q*W表示，q表示验证样本，维度为c
×
w
in
×
h
in
，W为CNN网络参数，维度为c
×
w
×
h，采用一个二值卷积核B和尺度参数α替代W，如式(6)所示：
[0054][0055]其中，为只有加减没有乘法的卷积运算，将W展开为一个M＝c
×
w
×
h维向量，α为一个正数，且B也是一个M维向量，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非平衡类深度学习的绝缘子检测方法，其特征在于，具体步骤如下：步骤1：手动提取或从已训练好的变电站绝缘子识别模型中得到M维先验特征，得到样本特征集P＝{p1，p2...，p
m
}，m为特征个数；步骤2：根据提取到的样本特征集P＝{p1，p2...，p
m
}，使用K
‑
Means方法分别对每个类中样本的特征进行聚类；步骤3：从每个类中重复均等地采样小批量，对所有抽取到的样本构建五元表；步骤4：将五元表中的五个元素分别输入到五个相同的CNN网络结构中，构建损失函数计算损耗并反向梯度传播，以更新CNN网络参数；步骤5：迭代执行步骤2
‑
步骤4，直至达到预设的迭代次数，得到更新的CNN网络，用于实现对绝缘子的检测。2.根据权利要求1所述的基于非平衡类深度学习的绝缘子检测方法，其特征在于，所述步骤2中，对样本特征集P＝{p1，p2...，p
m
}进行分类,记为b＝{0，1}，其中，含目标的少数类，表示不含目标的多数类,使用K
‑
Means方法对每个类中样本的特征进行聚类的具体步骤如下：步骤2
‑
1：从类中随机选择k个初始质心其中，n＝0；步骤2
‑
2：计算类中的所有样本p
i
与每个质心之间的欧式距离，如公式(1)所示：其中，表示第n次迭代的第j个质心；步骤2
‑
3：比较步骤2
‑
2计算得到的欧式距离，将各样本p
i
划分到距离其最近的质心所属的簇内，从而将类划分为k个簇，如式(2)所示：其中，表示第n次迭代后的簇集合；步骤2
‑
4：重新计算每个簇的质心，如式(3)所示：其中，表示第n次迭代的第j个簇，c
j
表示簇内样本的个数，p表示簇内样本特征；步骤2
‑
5：根据步骤2
‑
4更新得到的新的质心均无变化，则进行步骤2
‑
6，若新的质心发生变化，则令n＝n+1,返回步骤2
‑
2，直至更新后的质心均无变化；步骤2
‑
6：根据最终的质心划分聚类后的结果如式(4)所示：
其中，N为最终迭代次数。3.根据权利要求2所述的基于非平衡类深度学习的绝缘子检测方法，其特征在于，所述步骤3中，所述五元表定义如下：p
i
：选定个体；p
i
所在簇中最远的个体；p
i
所在簇的最近同类簇中距离p
i
最近的个体；p
i
所在簇的最近同类簇中距离p
i
最远的个体；p
′
i
：距离p
i
最近的不同类个体；满足以下约束：其中，为p
i
与的欧氏距离：的欧氏距离：为p
i
与的欧氏距离：的欧氏距离：为p
i
与的欧氏距离：D(p
i
，p
′
i
)为p
i
与p
′
i
的欧氏距离：4.根据权利要求3所述的基于非平衡类深度学习的绝缘子检测方法，其特征在于，所述步骤4中，损失函数的具体构建方法如下：定义损失函数如式(5)所示：受约束于：式中，ε
i
，τ
i
，σ
i
为松弛变量，W为CNN网络...

【专利技术属性】
技术研发人员：姚楠，吴曦，刘子全，单光瑞，王真，赵雨希，秦剑华，潘建亚，朱雪琼，薛海，
申请(专利权)人：国网江苏省电力有限公司江苏省电力试验研究院有限公司，
类型：发明
国别省市：