[发明专利]一种多任务学习下的CNN绝缘子老化光谱分类方法

权利要求书

1.一种多任务学习下的CNN绝缘子老化光谱分类方法，其特征在于，包括下列步骤：

采集绝缘子老化图像数据，将所述绝缘子老化图像数据进行归一化，并划分为训练数据以及待处理数据，所述训练数据包括第一训练数据以及第二训练数据；

构建包含交叉熵损失函数的CNN判别网络，将第一训练数据输入CNN判别网络中进行训练，获得CNN判别网络中的第一参数值，所述第一参数包括权重值、偏移量；

构建包含认证目标损失函数的CNN认证网络，将所述第一参数值作为所述CNN认证网络的初值，将第一训练数据输入CNN认证网络中进行训练，获得CNN判别网络中的第二参数值，所述第二参数值包括权重值、偏移量；

构建包含整体目标损失函数的CNN属性判别网络，将所述第二参数值作为所述CNN属性判别网络的初值，将所述第一训练数据、第二训练数据输入所述CNN属性判别网络中进行训练，获得分类结果；

将所述待处理数据输入所述CNN属性判别网络，获得绝缘子老化图像的分类结果；

所述第一训练数据包括同一个类别样品获得多个不同颜色的光谱图像数据；所述第二训练数据包括多个类别样品获得多个不同颜色的光谱图像数据；

所述认证目标损失函数由下式构成：

L₁＝L_i+λL_v

式中，L_i为交叉熵损失函数，L_v为三元组损失函数，λ为经验参数；

所述整体目标损失函数由下式构成：

L＝I_p×L_i+I_n×L_i

式中，I_p同一个样品下的不同光照颜色的正例图像，I_n为另一个等级属性样品下的不同光照颜色的反例图像。

2.根据权利要求1所述的一种多任务学习下的CNN绝缘子老化光谱分类方法，其特征在于，所构建的CNN判别网络包括3个卷积层、3个池化层、2个全连接层和输出层。

3.根据权利要求1所述的一种多任务学习下的CNN绝缘子老化光谱分类方法，其特征在于，所述分类结果包括不老化、轻微老化、中度老化和重度老化。