[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

说明书

本发明涉及人工智能中深度学习和机器视觉相结合的领域，基于知识迁移学习的航拍电力部件图像的分类方法，按照如下的步骤进行，建立卷积神经网络GoogLeNet；对卷积神经网络GoogLeNet进行调优，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，进行优化设置；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；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、杆塔等类别进行分类；进行仿真实验进行验证。

技术领域

本发明涉及人工智能中深度学习和机器视觉相结合的领域，其应用在电力系统中输电线路巡检过程中电力部件的分类识别，进而确保输电线路安全运行。

背景技术

输电线路是电网系统中的一个至关重要的组成部分，其作为电网系统的主干线路，对整个电网是否可靠、长期、安全稳定运行起到了决定性的作用，并且电网系统长期有效的运行直接关系到国家经济的健康发展。随着输电网建设工程的实施，输电线路急剧增加，线路巡检工作量剧增，地理环境复杂、气候条件多变等情况，使传统人工巡检作业更加危险，巡检效率和准确率不高。相对于传统的巡检方式，直升机巡检和无人机巡检方式效率高、巡线方式灵活、获取图像周期短、不受自然环境影响等优势，逐渐成为输电线路巡检的主流方式。在电力巡检目标中，在电力传输网络中电力部件类型多，数量大，并且部分部件容易损坏。在长期的运行中，受到强风、雷雨、冰霉、覆冰等恶劣天气的影响，尤其是绝缘子等容易受到损坏，进一步影响电力系统输电网络的正常运行，严重的会造成大面积停电事故的发生。飞行器巡检方式是通过直升机或者无人机稳定的速度和相对固定的角度沿着输电线路拍摄采集图像，在拍摄过程中会经过各种地貌，如山川，河流，草地，房屋，耕地等，也可能是在各种气象条件下(雨、雪、雾靈等)，这些不同地貌和不同气候环境形成的不同背景和噪声对于输电线的检测和故障检测的适用性和鲁棒性是个极大的挑战。随着，航拍输电线路、电力部件图像数据的猛增，其数据量是巨大的，并且数据冗余度也比较大，对于航拍电力部件图像的分类提出了更高地要求。

在机器视觉领域中，一个重要的研究方向是图像特征的提取、分类、检测和识别，早期的图像特征的提取与分类识别都是通过人类手动提取目标图像的特征，这样需要耗费大量的时间和工作量。人工智能中的人工神经网络技术的发展给机器视觉领域带来新的动力和活力，特别是在图像分类与识别领域。而目前，机器学习中的深度学习分支发展迅猛，其中卷积神经网络在图像分类方面具有非常好的效果。使用深度学习，不需要像传统数字图像算法那样手动提取图像特征，卷积神经网络具有自动学习特征。

发明内容

本发明所要解决的技术问题是：如何解决由于航拍电力部件图像的背景复杂，拍摄角度不定，数据量庞大，电力部件实现准确分类、精确定位困难的问题。

本发明所采用的技术方案是：基于知识迁移学习的航拍电力部件图像的分类方法，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进行调优，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；

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、杆塔等类别进行分类；

步骤四、进行仿真实验进行验证。