[发明专利]基于不确定性估计的绝缘子破损识别方法

说明书

基于不确定性估计的绝缘子破损识别方法，通过数据增强扩充采集到的绝缘子破损图像作为训练数据和测试数据；首先由YOLOv5s模型定位绝缘子区域；然后根据定位框信息，从巡检图像中截取绝缘子区域，采用DenseNet201模型对截取的绝缘子区域进行进一步的缺陷分类；根据MC‑dropout方法，在DenseNet201模型测试时，前向传播的过程中仍保留dropout操作，得到多个不同网络结构的输出，其均值和方差即表示DenseNet201模型的分类结果与不确定性。本发明方法在评估识别结果的不确定性方面，相对传统贝叶斯方法更加简单，实时性高。

技术领域

本发明涉及绝缘子缺陷识别领域，具体涉及一种基于不确定性估计的绝缘子破损识别方法。

背景技术

配电网线路多数为野外架空线路，绝缘子长期在野外复杂气象环境的影响下容易出现污秽、破损等问题，因此对配电网绝缘子的定期巡检至关重要。随着无人机巡检在配电线路中广泛开展应用，有效的降低了人工巡线的工作量，同时由机器视觉自动识别可见光巡检图像数据的技术，极大的提高了电力巡检的效率。

基于深度学习的巡检图像自动识别在近几年的研究中表现优异，目前对输电线路巡检图像的缺陷检测已经取得了一定成果，但是在配电网中的应用较少。配电网巡检绝缘子图像的现场环境与气象条件复杂，拍摄角度多变，绝缘子缺陷在图像表现形态上多样化，训练集难以覆盖到所有的缺陷形态上，神经网络的结构限制了对训练集中未出现的缺陷形态的泛化能力。近年来的研究主要集中在提高检测精度上，目前几乎没有对电力巡检检测结果的不确定性分析。

贝叶斯神经网络可以很好的解决不确定性量化问题，通过结合先验信息与观测数据下的似然信息来得到参数的后验概率分布，可以提升对未知样本的泛化能力并提供预测结果的不确定性。贝叶斯神经网络中常用的推断方法，马尔可夫链蒙特卡罗方法(MCMC)和变分推断方法(VI)目前已经在前馈网络和递归神经网络中取得了较好的效果，但是在卷积神经网络中受到了计算量的限制。

因此本发明提出了一种基于不确定性估计的绝缘子破损识别方法，采用MC-dropout算法引入了认知不确定性，只需要对传统卷积神经网络进行很小的调整就可以获得与贝叶斯神经网络相似的预测结果，大幅减小了计算量。

发明内容

针对上述的所有问题，本发明提供一种基于不确定性估计的绝缘子破损识别方法，采用蒙特卡罗丢弃算法(Monte Carlo dropout，MC-dropout)来进行近似贝叶斯推理，能够对识别结果的不确定性定量描述，来辅助检修人员维修。

本发明采取的技术方案为：

基于不确定性估计的绝缘子破损识别方法，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，按9：1的比例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，前向传播的过程中仍保留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。