[发明专利]一种改进VGG19网络的绝缘子污秽识别方法

权利要求书

1.一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，包括

采集绝缘子污秽数据集并对其进行扩充，并将扩充后的数据分为训练集以及测试集，

建立改进VGG19绝缘子污秽识别网络模型，改进后的网络结构包括输入层、卷积层、整流线性单元(Rectified Linear Units,ReLU)层、最大池化层、全局平均池化层、Dropout层、Softmax层和输出层；

输入训练集对改进VGG19绝缘子污秽识别网络模型进行训练，得到训练后的识别网络模型；

输入测试集至训练后的识别网络模型得到绝缘子污秽识别结果。

2.根据权利要求1所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，基于无人机采集的缺陷绝缘子数据集，包括四种类型的绝缘子，分别为污秽陶瓷柱型绝缘子、污秽陶瓷针型绝缘子、正常陶瓷柱型绝缘子和正常陶瓷针型绝缘子。

3.根据权利要求1所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，通过对原始图像进行随机剪裁、旋转、缩放、平移的操作进行数据扩充，得到扩充后的绝缘子数据集为原始数据集的N倍，并随机划分训练集和测试集的比例。

4.根据权利要求1所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，在神经网络中，卷积层的参数量P_c的计算公式为：

P_c＝(K_h×K_w×C_in)×C_out+C_out (1)

其中K_h为卷积核的高度，K_w是卷积核的宽度，C_in是输入的通道数，C_out是输出的通道数；

对于全连接层，如果输入的数据有N_in个节点，输出的数据有N_out个节点，则全连接层的参数量P_f的计算公式为：

P_f＝N_in×N_out+N_out (2) 。

5.根据权利要求4所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，全连接层将前一层中的所有神经元和全连接层中的所有神经元都连接，从而结合卷积神经网络中先前层学习的所有特征，以识别更多的特征信息，对于分类问题，最后一个全连接层将特征要素进行组合，从而对图片进行分类。

6.根据权利要求5所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，VGG19有三个全连接层，其中第一层全连接层的参数量约为102MB，第二层全连接层的参数量约为16MB，第三层全连接层的参数量约为4MB，约占所有参数量144MB的84.7％，将三个全连接层去掉，利用全局平均池化层可以有效降低网络参数量，故在最后一个最大池化层后，去掉三个全连接层，添加一个全局平均池化层。

7.根据权利要求6所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，在VGG19卷积神经网络中每一个全连接层后会接Dropout层，并且删除全连接层后，Dropout层也随之删除，在全局平均池化层前添加一个Dropout层，并设置丢弃率。

8.根据权利要求1所述的一种改进VGG19网络的绝缘子污秽识别方法，其特征在于，还包括验证改进VGG19网络的：进行消融实验，并将训练集输入到与其他图像分类网络中进行对比，最终得到不同分类网络的绝缘子污秽识别的精确度和每秒处理图片数量的对比表，并且绘制不同网络的迭代次数与精确度关系的曲线图。