[发明专利]基于不确定性估计的绝缘子破损识别方法

权利要求书

1.基于不确定性估计的绝缘子破损识别方法，其特征在于包括以下步骤：

步骤1：制作用于配电网绝缘子破损检测的数据集，并划分为训练数据和测试数据；

步骤2：将步骤1中绝缘子破损检测的数据集用于YOLOv5s网络进行训练；

步骤3：根据定位框信息，从数据集图像中截取绝缘子矩形区域，并按照是否存在破损故障进行分类存储，将截取的绝缘子图像数据用于DenseNet201网络进行训练；

步骤4：将训练好的YOLOv5s和DenseNet201模型用于配电网绝缘子破损实时检测中，先通过YOLOv5s模型定位绝缘子区域；然后根据定位框，从巡检图像中截取绝缘子区域，采用DenseNet201模型对绝缘子是否破损进行进一步的分类；

步骤5：根据MC-dropout方法完成训练的DenseNet201模型，在测试时，前向传播的过程中保留dropout操作，在dropout的作用下通过随机关闭神经元能够得到多个不同网络结构，从而对同一个样本进行多次预测；

步骤6：计算多次预测结果的均值表示DenseNet201模型的分类结果，计算多次预测结果的方差来表示分类结果的不确定性。

2.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于:步骤1中，实验数据包含2000张配电网巡检无人机航拍图像，并用Labelimg标注工具对绝缘子区域用矩形框进行人工标注，保存为YOLO格式。

3.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤2中，采用轻量级的YOLOv5s模型，权重文件大小27MB，设置YOLOv5s网络训练参数：批量大小设置为64，迭代次数设置为300，初始学习速率设置为0.001，衰减系数设置为0.0005。

4.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤3具体包括：

步骤3.1：截取的绝缘子图像数据包含2000张正常绝缘子和63张破损绝缘子，采用图片翻转，亮度调整和添加高斯噪声的数据增强方式合成图片增加破损绝缘子图像，将破损绝缘子图像扩充至800张；

步骤3.2：设置DenseNet201网络训练参数：批量大小设置为64，迭代次数设置为100，初始学习速率设置为0.001，衰减系数设置为0.005，dropout概率为0.5。

5.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤5中，采用MC-dropout方法，获取DenseNet201模型测试结果的不确定性，具体方案如下：

在训练时，无需改变DenseNet201模型结构，在测试时开启dropout，通过随机关闭神经元，形成多个不同的网络结构；具体通过在DenseNet201模型的全连接层设置每一个神经元的激活函数值以p＝0.5的概率变成0，经过dropout后每层的神经元数量变为原来的大约一半，在测试时开启dropout，每次测试时神经网络结构都会不同，通过这多个不同的网络结构对同一个样本进行多次预测，计算多次预测结果的平均值作为分类结果，计算多次预测的方差作为检测结果的不确定性。

6.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法，其特征在于：步骤6中，由公式(1)计算多次预测结果的均值表示DenseNet201模型的分类结果，分类结果为正常绝缘子或破损绝缘子；计算多次预测结果的方差来表示分类结果的不确定性；方差表示的不确定性具体由公式(2)计算，由于数据分布为多峰时，方差描述不确定性的能力较低，进一步的采用信息熵计算不确定性如公式(3)所示，具体方案如下：

DenseNet201模型的预测结果如公式(1)所示，方差如公式(2)所示；

式(1)中，E(y)表示T次预测结果的均值，T为采样次数，X为输入样本，为网络给定输入X在第t次预测时的输出；

式(2)中，Var(y)表示T次预测结果的方差；

由于数据分布为多峰时，方差描述不确定性的能力较低，进一步的采用信息熵来表示不确定性，如公式(3)所示；

式(3)中，H(p)表示结果的信息熵，用来描述不确定性度量，I为类别数，p_i为抽样结果为i时的概率分布，i＝0表示样本为正常绝缘子，i＝1表示样本为破损绝缘子，缺陷分类结果为概率最高的类别。