[发明专利]基于知识迁移学习的航拍电力部件图像的分类方法

权利要求书

1.基于知识迁移学习的航拍电力部件图像的分类方法，其特征在于：按照如下的步骤进行

步骤一、建立卷积神经网络GoogLeNet；

步骤二、对卷积神经网络GoogLeNet进行迁移，在卷积神经网络GoogLeNet的基础上，将卷积神经网络GoogLeNet的最后三层用一个全连接层、一个softmax层和分类输出层所代替，进而获得新的深度神经网络，然后在原有卷积神经网络GoogLeNet设置基础上，进行参数优化设置；在训练网络时，网络参数是结合多次仿真实验和贝叶斯优化算法获取的，其中，split分支运算，采用1×1、3×3、5×5卷积核，包含４个分支，使用64个1×1的卷积核，padding=[0 0 0 0]，同样采用ReLU函数作为激励层，因此输出28×28×64维向量；先使用96个1×1的卷积核将特征向量压缩到28×28×96维，经过激励层后再使用128个3×3的卷积核，padding=[1 1 1 1]，通过激励层得到28×28×128维向量；先使用16个1×1卷积核将数据压缩到28×28×16，进行激励层后再进行5×5的卷积运算，选择padding=[2 2 2 2]，最后输出28×28×32维向量；先进行max pool进行池化，然后使用1×1的卷积窗得到28×28×32维向量；分类输出层将四个节点输出的特征向量进行拼接，随后进行下一步的inception module使用同样的方法以此类推；

步骤三、将采集到的电力部件图像经过归一化预处理后输入步骤二获得且设置好的新的深度卷积神经网络进行学习，按照绝缘子、金具、杆塔类别进行分类；

步骤四、进行仿真实验进行验证。

2.根据权利要求1所述的基于知识迁移学习的航拍电力部件图像的分类方法，其特征在于：卷积神经网络GoogLeNet具有144个单层，其中有22个具有学习权重的功能层，包括21个卷积层和1个全连接层，第一层卷积层采用64个7×7卷积核，步长stride为2的结构，填充padding=[3 3 3 3]的结构，卷积后得到64维的特征，第一层卷积层特征输出为112×112×64，第一层卷积层后直接输入到激励层，激励函数选择通用的ReLU函数，第一层卷积层采用3×3核的池化层，池化采用最大池化max pool的方式，通过池化后特征向量变为56×56×64维，随后加入norm层；第二层卷积采用192个3×3的卷积核，步长stride为1的结构，填充padding=[1 1 1 1]的结构，特征向量变为56×56×192，激励层和池化层输出特征为28×28×192维。

3.根据权利要求1所述的基于知识迁移学习的航拍电力部件图像的分类方法，其特征在于：参数优化设置包括，采用动量的随机梯度下降算法，动量设置为0.9；小批量算法设置为10，小批量算法是随机梯度下降算法和批量算法的混合形式；最大轮数设置为3；L₂参数正则化权重衰减设置为0.00055，正则化策略通过向目标函数添加一个正则项，使权重更加接近原点；学习率为10^-4；验证频率为15。