[发明专利]输电设备可见光成像大数据人工智能检测诊断方法

权利要求书

1.一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，其包括如下步骤:

步骤一，样本构造：对电线路原始图像中的玻璃绝缘子、复合绝缘子、塔材和背景4类目标进行类别标签标注，根据标注结果生成4类目标的样本图像数据库；

步骤二，模型训练：首先定义深度神经网络模型，并用图像数据库训练；调整网络模型输出层个数，并保持其它层结构及参数不变；最后，利用样本构造阶段生成的数据对修改后的网络进行微调，得到最终的网络参数；

步骤三，目标检测

对于任意图像，首先进行分块，然后利用训练好的模型判断每一个字块的类别标签。

2.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，样本构造分为目标标注和样本生成步骤，目标标注即将输电线路原始图像中的背景、杆塔、玻璃绝缘子和复合绝缘子4类区域用多边形框标记，均由人工完成，不同类别区域用不同类别标签。

3.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二的神经网络为5层深度卷积神经网络，分别为1个输入层、3个卷积池化层和1个全连接输出层，输入为归一化的、大小为64×64、RGB三通道的图片；3个卷积池化层的卷积核个数分别为64、128和256，卷积核的大小分别为11×11、7×7和5×5，每一层卷积核的通道数分别由其前一层输出的通道数决定，即分别为3、64和128，池化均采用最大值池化，且窗口大小均为2×2；全连接层神经元个数与输出类别数相同，在此C代表网络输出标签的个数，通常定义输出值为集合{1，2，…，C}中元素。

4.根据权利要求3所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二中训练过程的步骤如下：首先，按照网络结构，定义C＝100，即100类输出类别，采用Cifar-100图像数据库进行初步训练，算法收敛后，将模型最后一层改为C＝4，分别代表背景、塔材、玻璃绝缘子和复合绝缘子4类目标，其余各层参数不变，然后利用输电线路图像库进行训练，直至收敛。

5.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二采用最速梯度下降法训练神经网络模型参数，预训练阶段的学习参数为：

1)训练数据分块大小为128；

2)所有权值都初始化为均值为0，标准差为0.01的高斯噪声；

3)系数动量为0.9，权值衰减系数为0.0005；

4)对于第2、3、4卷积层和全连接层的神经元偏置，初始化为1，第1层的神经元偏置初始化0；

5)每一层的学习速率保持一致，初始学习速率是0.01。