[发明专利]基于深度学习的红外图像中劣化绝缘子的分割方法及装置

权利要求书

1.基于深度学习的红外图像中劣化绝缘子的分割方法，其特征在于，包括以下步骤：

获取劣化绝缘子的红外图谱；

将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；

将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；

将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；

将所述第一预测特征图和所述第三预测特征图经过FCN－8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN－16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN－32s模型进行32倍上采样预测处理，上述三种上采样预测处理时，首先通过卷积层进行抽象特征提取，每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部的特征的特征提取，每个输出的特征图包含与多个输入特征图的卷积，然后通过池化层进行二次取样运算得到的特征图层，最后通过反卷积层输出和输入尺寸相同尺寸的分割图像，实现对红外图谱中劣化绝缘子的分割提取。

2.根据权利要求1所述的基于深度学习的红外图像中劣化绝缘子的分割方法，其特征在于：所述红外图谱中所提取的特征包括劣化绝缘子的纹理特征和形状特征。

3.基于深度学习的红外图像中劣化绝缘子的分割装置，其特征在于，包括以下单元：

红外图谱获取单元，用于获取劣化绝缘子的红外图谱；

第一预测特征图输出单元，用于将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；

第二预测特征图输出单元，用于将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；

第三预测特征图输出单元，用于将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；

多尺度特征融合分割提取单元，将所述第一预测特征图和所述第三预测特征图经过FCN－8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN－16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN－32s模型进行32倍上采样预测处理，上述三种上采样预测处理时，首先通过卷积层进行抽象特征提取，每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部的特征的特征提取，每个输出的特征图包含与多个输入特征图的卷积，然后通过池化层进行二次取样运算得到的特征图层，最后通过反卷积层输出和输入尺寸相同尺寸的分割图像，实现对红外图谱中劣化绝缘子的分割提取。

4.基于深度学习的红外图像中劣化绝缘子的分割设备，其特征在于：包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如权利要求1或2所述的基于深度学习的红外图像中劣化绝缘子的分割方法。

5.一种计算机可读存储介质，其特征在于：计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如权利要求1或2所述的基于深度学习的红外图像中劣化绝缘子的分割方法。