[发明专利]一种基于深度迁移学习的绝缘子类别检测方法

说明书

本发明公开了一种基于深度迁移学习的绝缘子类别检测方法，包括：1、对航拍绝缘子图像进行预处理；2、对预处理后的航拍绝缘子图像进行扩充并对不同类别的航拍绝缘子图像进行分类；3、利用YOLO算法对背景复杂的航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理；4、构建多层次差异性自适应架构的Inception深度学习网络；5、构建测试样本集的分类结果及其语义误差熵；6、构建基于语义误差熵的绝缘子状态认知反馈调节机制。本发明通过深度迁移学习的方法，能实现绝缘子状态多层次差异化特征空间及其分类准则的自寻优调节和重构，从而提高不同背景下绝缘子航拍图像自爆的状态检测率，满足准确化快速化的实际需求。

技术领域

本发明涉及高压输电线路巡线技术，图像识别技术，迁移学习技术领域，具体涉及一种基于深度迁移学习的绝缘子类别检测方法。

背景技术

随着世界范围内人们生产生活用电需求的不断增加，电网的建设规模也随之不断扩大，其中输电线路的安全性和可靠性直接影响电力传输的稳定性，需要定期对其进行安全巡检，以消除潜在的故障隐患。作为架空输电线路中固定导线的重要部件，绝缘子安装在不同电位的导体或导体与接地构件之间，承受较大的机械张力和极高的电压。因此，自爆事故时常发生，严重威胁输电线路的安全可靠运行。由巡检工人亲自到电力杆塔下方使用望远镜等工具观察，然后通过肉眼来判断是否发生故障。这种方法虽然简单，但是很容易被视线、角度、周围的环境等因素干扰，因此得到的结果并不可信。在19世纪80年代以前，我国都是采用直接观察法进行检查的，由于其效率低、准确度不高且浪费人力等原因，逐渐被其他方法所替代。

随着信息化和网络化技术的快速发展，利用无人机或直升机沿输电线路拍摄视频图像，继而由人从背景复杂的影像中分析标注自爆绝缘子的现代人工巡检方式，替代传统人工巡检方式，已成为输电线路巡检技术发展的方向。但是拍摄产生的大量图像或视频需要相关人员一一观察并分析有无绝缘子自爆缺失的情况。在分析过程中也会被图像的背景以及清晰度所影响，从而导致分析的结果不一定可信。

近几年来人工智能和海量图像数据相结合的技术应用也越来越广泛，这使得对图像中的目标物体进行识别和定位的实现成为可能。Inception作为一种深层神经网络，随着网络结构的逐渐加深和分支，层层的卷积池化运算提取与目标图像有确定映射关系的从浅到深多样高阶特征，这与人从整体到局部获取感知信息的认知模式一致。然而，试凑设定的网络架构生成的特征空间缺乏可解释性，以及softmax层泛化能力的不足，导致对航拍绝缘子图像特征提取不足，分类准确度低。目前很多算法都是通过对得到的绝缘子图像进行预处理、然后分割，进行自动识别和判断状态，这样就能够减少人工的参与大大提高巡线的效率。但是这些方法也存在一定的弊端，针对性强，普适性不高，具体的解决方案仍然存在一定的欠缺。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度迁移学习的绝缘子类别检测方法，以期能解决开环无反馈认知系统中泛化能力差、误识率高的问题，从而能够仿人自由调整认知方法进行反馈认知，提高复杂背景下绝缘子航拍图像自爆的状态检测精度，满足准确化快速化的实际需求。

本发明为解决技术问题采用如下技术方案：

本发明一种基于深度迁移学习的绝缘子类别检测方法的特点是按如下步骤进行：

步骤1、对航拍绝缘子图像集进行预处理，得到预处理后的绝缘子图像集；

步骤2、对所述预处理后的航拍绝缘子图像集进行扩充处理，得到扩充后的航拍绝缘子图像集；

步骤3、将所述扩充后的航拍绝缘子图像集进行分类，分为航拍完好绝缘子图像集N1和航拍自爆绝缘子图像集N2；