[发明专利]基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法

权利要求书

1.基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法，其特征在于，具体包括以下步骤：

S1、建立绝缘子图像库：利用无人机巡检采集配电线路的绝缘子图像数据并进行存储；

S2、将配电线路的绝缘子图像库中绝缘子图像分为训练集和验证集两个部分；

S3、建立绝缘子图像污秽识别样本集：将步骤S2中的训练集进行人工筛选、绝缘子图像有无污秽标记分类获得绝缘子图像污秽识别样本集即绝缘子图像有污秽样本集和绝缘子图像无污秽样本集；

S4、建立绝缘子图像污秽识别特征集：绝缘子图像污秽识别样本集中的每幅绝缘子图像进行分割预处理、特征提取及选择并将这些特征组合为一特征向量Y获得绝缘子图像污秽识别特征集并根据所述特征向量Y将绝缘子图像分为有污秽绝缘子图像和无污秽绝缘子图像两类；

S5、构建贝叶斯卷积神经网络分类器，利用Xavier方法初始化贝叶斯卷积神经网络参数：a、确定一幅图像特征的分布模型得到样本图像的先验概率以及类条件概率；b、利用贝叶斯公式计算出相应的后验概率；c、利用判决函数J(X)得到满足要求的图像检索结果集；

S6、采用马尔科夫链蒙特卡罗法进行训练获得绝缘子图像污秽识别模型：采用数值采样的马尔科夫链蒙特卡罗方法对模型参数进行训练得到神经网络参数的概率分布，并优化模型参数获得绝缘子图像污秽识别模型；

S7、检测并识别绝缘子图像污秽类别：利用步骤S6中的绝缘子图像污秽识别模型对步骤2中的验证集进行检测，分别计算得出所述验证集中的绝缘子图像有污秽及无污秽的概率，并选取数值大的概率判定为绝缘子图像污秽类别。

2.根据权利要求1所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法，其特征在于，所述步骤S5中的具体操作如下：

设采用的绝缘子图像有污秽样本集为R^*＝{R₁,R₂,...,R_k}，绝缘子图像无污秽的样本集为N^*＝{N₁,N₂,...,N_k}，使用统计方法可以估计出概率：

图像X为绝缘子图像有污秽的概率为：

P(X|R)≈P(X|R^*)  (1)

图像X为绝缘子图像无污秽的概率为：

P(X|N)≈P(X|N^*)  (2)

根据贝叶斯公式：J(X)＝-log[P(R|X)]+log[P(N|X)]，其中P(R|X)和P(N|X)可以通过贝叶斯公式的后验概率学习得到，即P(R|X)和P(N|X)采用基于数值采样的马尔科夫链蒙特卡罗方法求得后验分布的近似解。

所述贝叶斯公式中J(X)的取值越小，表示所需检索图像X越符合要求。

由于P(X)通常为一个常数，所以J(X)可以变换为：

J(X)'＝-log[P(X|R)P(R)]+log]P(X|N)P(N)]  (3)

设定阈值α,当得到的J(X)'＜α时，所检测的图像即为绝缘子图像有污秽。

3.根据权利要求1或2所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法，其特征在于,所述步骤S5中的利用Xavier方法初始化贝叶斯卷积神经网络参数具体步骤如下：

a、生成一个均值为0，标准差为0.01的正态分布随机矩阵；

b、使用公式(2)判断生成的矩阵是否符合公式(1)的要求，如果不符合要求，则重新生成矩阵继续判断，直到权重的分布符合公式(1)的一致分布即

所述公式(4)中W为权重的分布，U为一致分布，n_j为第j层的神经元个数。

一致分布判别式：

上述式中x_m为点集x_n(n＝1,2,...)中的一个点，j为第j层神经网络，h＝0，±1，±2，...，满足公式则点集就满足相应一致分布。

4.根据权利要求1所述的基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法，其特征在于，所述步骤S6中的马尔科夫链蒙特卡罗方法具体算法如下：

将采样过程看作一个马尔科夫链：x₁,x₂,...,x_t-1,x_t,x_t+1,...式中x_t表示第t次采样的样本，第t+1次采样的样本依赖于第t次采样的样本和状态转移分布q(x|x_t)。如果马尔科夫链的平稳分布为p(x)，那么在状态平稳时的样本就服从p(x)的分布。

具体的，根据状态转移分布q(x|x_t)提取一个样本x'，并以概率A(x',x_t)来将x'作为第t+1次采样的样本x_t+1。

由于每次q(x|x_t)随机提取一个样本，并以A(x',x_t)的概率来接受，所以修正的马尔可夫链状态转移概率为：

q'(x'|x_t)＝q(x'|x_t)A(x',x_t)  (7)

根据马尔可夫链的细致平稳条件有：

所以修正的马尔科夫链可以达到平稳状态，且平稳分布为p(x)。