[发明专利]基于深度卷积神经网络的航拍绝缘子故障自动检测

权利要求书

1.基于深度卷积神经网络的航拍绝缘子故障自动检测，其特征在于：该方法包括如下步骤：

步骤1、获取绝缘子图像，并进行图像预处理；

步骤2、若深度卷积神经网络需要学习训练，则对深度卷积神经网络进行训练，保存训练好的CNN模型；

步骤3、加载训练好的深度卷积神经网络；

步骤4、用训练好的深度卷积神经网络对绝缘子图像进行故障识别，给出识别结果并保存发现有故障的图像；

步骤5、对步骤4的识别结果进行评价，找出误判图像，更新样本集；

步骤6、根据需要利用更新后的样本集对深度卷积神经网络进行训练，提高深度卷积神经网络对故障模式的识别能力。

2.根据权利要求1所述的基于深度卷积神经网络的航拍绝缘子故障自动检测，其特征在于，所述的步骤2中，所述的对深度卷积神经网络进行训练，包括如下几步：

①建立用于训练深度卷积神经网络的样本集；

所述的样本集，是基于自然背景的图像所建立的样本集；

②构造深度卷积神经网络，并对构造的深度卷积神经网络初始化；

所述的深度卷积神经网络，其结构包括：输入层、隐含层、全链接层和输出层；

所述的隐含层，由多个卷积层和多个下采样层组成，卷积层和下采样层交替出现；

所述的多个卷积层是指两个或者两个以上的卷积层，所述的多个下采样层是指两个或者两个以上的下采样层；

对于具有多输入的单个神经元，其输出可表示为

式中f(·)为激活函数，W_i为权值，b为各个神经元的阈值。常用的激活函数单位阶跃函数、高斯函数、Sigmoid，其中sigmoid函数可表示为

所述的对构造的深度卷积神经网络初始化，需要初始化的参数有卷积核、各个神经元的阈值和神经元之间的连接权值；

所述的初始化各个神经元的阈值，初始化为一个介于0到1之间的小数，该数值为随机数；

所述的神经元之间的连接权值，初始化为一个介于0到1之间的小数，该数值为随机数；

③用步骤①的样本集对步骤②构造的深度卷积神经网络进行训练，得到能够识别绝缘子状态的最优训练模型；

所述的对深度卷积神经网络进行训练，先经过前向传递，再反向传递误差更新权值参数使得训练误差达到最小化；

所述的前向传递，就是将输入图像样本输入到输入层、经输入层处理后输入到各隐含层进行处理、再到输出层输出结果；也就是计算得到连接各个神经元之间的连接权值；

所述的反向传递误差，就是根据前向传递的输出结果计算输出误差，根据输出误差反向传递，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，该过程也是一个权值调整的过程；

所述的计算输出误差，其计算公式可以采用但不局限于下式

式中，E是单个样本的误差函数，h_o，i是第i个输出神经元的实际输出，h_e，i是第i个输出神经元的期望输出；实际上，E关于权值W_i和偏置b的函数，可以根据梯度下减法更新权值和偏置值，所以由梯度下减法可得权值和偏置的更新公式如下：

式中，l表示训练的次数，代表第l层的第j个神经元与第l+1层的第i个神经元的连接权值，代表第l层的阈值；

从隐含层的输出经过向量化之后进入全连接层，全连接层的每一个神经元与输出层的每一个神经元全都连接，输出分类结果；

④保存训练结果。