[发明专利]一种基于特征金字塔的绝缘子故障识别方法与装置

权利要求书

1.一种基于特征金字塔的绝缘子故障识别方法，其特征在于，包括：

获取含有绝缘子的背景图像；

将所述背景图像输入预设的绝缘子故障识别模型，对所述背景图像进行绝缘子故障识别，识别所述背景图像中的故障绝缘子。

2.如权利要求1所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述绝缘子故障识别模型，通过以下步骤构建：

采集多张含有绝缘子的背景图像进行预处理，得到图像数据集；

构建卷积神经网络模型，并通过所述卷积神经网络模型对所述图像数据集进行特征信息提取，获取多张不同尺度的绝缘子特征图；

根据所述绝缘子特征图构建特征金字塔网络，并对所述特征金字塔网络中的每一个金字塔层级进行候选区域划分，得到若干个候选框；

根据所述候选框和所述绝缘子特征图，构建位置敏感分数图，得到所述位置敏感分数图对应的类别得分概率，并根据所述类别得分概率确定所述候选框对应的类别标签；

通过预设的分类器计算所述背景图像中每一个类别标签的概率值；

将所述候选框、所述绝缘子特征图和所述位置敏感分数图作为训练样本，并根据批量梯度下降法对所述预设的分类器进行训练，得到完成训练的绝缘子故障识别模型。

3.如权利要求2所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述采集多张含有绝缘子的背景图像进行预处理，得到图像数据集，具体包括：

对所述多张含有绝缘子的背景图像进行扩增处理；其中所述扩增处理的方式包括对图像进行旋转、剪裁、饱和度调节、色调调节和曝光时间调节；

对扩增处理后的背景图像进行图像类别标注，并对标注后的背景图像进行归一化处理，得到图像数据集。

4.如权利要求3所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述卷积神经网络模型包括5个卷积组模块和1个平均池化层。

5.如权利要求4所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述根据所述绝缘子特征图构建特征金字塔网络，并对所述特征金字塔网络中的每一个金字塔层级进行候选区域划分，得到若干个候选框，具体包括：

采用自上而下的路径，根据所述卷积神经网络模型中后4个卷积组模块得到的绝缘子特征图构建特征金字塔；

根据预设的候选区域网络对所述特征金字塔中的每一个金字塔层级进行候选区域划分。

6.如权利要求5所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述根据所述候选框和所述绝缘子特征图，构建位置敏感分数图，得到所述位置敏感分数图对应的类别得分概率，并根据所述类别得分概率确定所述候选框对应的类别标签，具体包括：

在所述卷积神经网络模型增加预设卷积层，生成若干个位置敏感分数图；

获取任一位置敏感分数图的类别得分概率；

将数值最大的类别得分概率作为所述候选框对应的类别标签。

7.如权利要求6所述的基于特征金字塔的绝缘子故障识别方法，其特征在于，所述通过预设的分类器计算所述背景图像中每一个类别标签的概率值，具体包括：

根据公式构建预设的分类器，并通过所述分类器计算背景图像中每一个类别标签的概率值；

其中，r_c(i，j/θ)＝∑_{(x，y)∈bin(i，j)}z_i，j，c(x+x₀，y+y₀/θ)/n为第c个类别的第(i，j)子区域的池化响应；c为背景图像中前景物体类别数；z_i，j，c为所述若干个位置敏感分数图中的一个位置敏感分数图；n表示每一个子区域中的像素个数；6为卷积神经网络模型中学习到的参数；(x₀，y₀)为对所述候选框进行加和平均后进行池化投票得到的一个c+1维的位置敏感分数图左上角的中心坐标。