[发明专利]一种基于深度学习模型的绝缘子自爆检测方法

权利要求书

1.一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U-Net模型和CNN模型，用部分单通道标注图训练U-Net模型和CNN模型，通过训练的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将所述掩膜图像输入训练后的CNN模型中，若CNN模型输出数值0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。

2.根据权利要求1所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，包括以下步骤：

步骤1，采集同一个绝缘子的多张绝缘子图像，对采集的绝缘子图像像素进行统一化调整；

步骤2，采用图像标注工具对绝缘子图像进行标注和格式转化，得到单通道标注图；

步骤3，构建U-Net模型，使特征图在进行卷积操作前后图像的像素一致；采用步骤2获得的部分单通道标注图训练U-Net模型，以损失最小的训练参数作为U-Net模型的最终参数，然后通过训练后的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像；

步骤4，构建卷积神经网络CNN模型，采用训练U-Net模型的单通道标注图来训练卷积神经网络CNN模型，以损失最小的训练参数作为CNN模型的最终参数，即获得训练后的CNN模型；

步骤5，将步骤3获得的掩膜图像输入训练后的CNN模型中，若CNN模型输出的数值0.5，则认为所述绝缘子图像完整，即绝缘子没有发生自爆；否则，则认为所述绝缘子图像有缺失，即绝缘子发生了自爆。

3.根据权利要求2所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，所述步骤1中，利用无人机、钢丝滚动机器人或攀爬机器人采集绝缘子图像。

4.根据权利要求2所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，所述步骤2的具体操作过程如下：

步骤2.1，采用图像标注工具对绝缘子图像进行标注，将绝缘件标注为disc，将连接件标注为ca；

步骤2.2，将标注好的图像保存为Json格式，得到三通道标注图；

步骤2.3，利用MATLAB将三通道标注图进行图像格式转化，得到单通道标注图。

5.根据权利要求2或4所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1，构建U-Net模型，在每层卷积操作前，对特征图进行零填充来改进模型，使特征图在进行卷积操作前后图像的像素一致；

步骤3.2，将步骤2得到的单通道标注图分为三部分，分别是训练集，验证集和测试集；

步骤3.3，采用优化器训练步骤3.1获得的U-Net模型，将训练集输入U-Net模型中进行训练，每训练完一趟，用验证集进行验证，若验证集上损失最小的训练参数满足MIoU函数，则以验证集上损失最小的训练参数作为U-Net模型的最终参数，即完成对U-Net模型的训练，MIoU函数如下：

式中，i表示真实值，j表示预测值，K+1是类别个数，包含空类，p_ij表示本属于类别i但被预测为类别j的像素数量，p_ii表示类别i真正的像素数量，p_ji表示本属于类别j但被预测为类别i的像素数量；

步骤3.4，采用训练后的U-Net模型提高测试集的像素精度，获得最优像素精度的掩膜图像。

6.根据权利要求5所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，所述步骤3.3中，用验证集进行验证时，使用交叉熵评估训练结果，计算损失采用的损失函数如下：

式中，i—验证集样本，即验证集中的单通道标注图；c—从1到M的类别序列，M—验证集类别的总数量，pic—样本i属于类别c的预测概率，yic—指示变量，若样本i属于类别c，yic为1，否则为0；N—验证集样本总数量。

7.根据权利要求6所述的一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，所述步骤3.4中，最优像素精度的计算公式如下：