CN111539302A - 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 - Google Patents

基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 Download PDF

Info

Publication number
CN111539302A
CN111539302A CN202010312183.6A CN202010312183A CN111539302A CN 111539302 A CN111539302 A CN 111539302A CN 202010312183 A CN202010312183 A CN 202010312183A CN 111539302 A CN111539302 A CN 111539302A
Authority
CN
China
Prior art keywords
layer
glass insulator
neural network
layers
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010312183.6A
Other languages
English (en)
Other versions
CN111539302B (zh
Inventor
苏欣雁
李京
张海台
杨建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202010312183.6A priority Critical patent/CN111539302B/zh
Publication of CN111539302A publication Critical patent/CN111539302A/zh
Application granted granted Critical
Publication of CN111539302B publication Critical patent/CN111539302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，属于技术设备领域。其特征在于：包括如下步骤：步骤1001，对玻璃绝缘子图像集合进行预处理；步骤1002，对预处理后的航拍绝缘子图像进行分类；步骤1003，对航拍绝缘子图像进行初定位，并进行归一化处理；步骤1004，构建多尺度的深层扰动神经网络；步骤1005，融合多分支网络架构的特征向量；步骤1006，误差反向传播并更新扰动神经网络参数；步骤1007，基于模糊积分融合方法得到测试集样本的输出结果。通过本基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，提高了复杂环境中多类别绝缘子的区分能力和状态检测精度，通过降低卷积操作的复杂度提升了绝缘子的检测速度，满足了准确化快速化的实际需求。

Description

基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法
技术领域
基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，属于技术设备领域。
背景技术
绝缘子在输电线路中起着支撑导线和防止电流回地的作用,输电线路运行中常受到机械负荷、电场和恶劣气候等因素影响导致绝缘子发生故障。据国家电网统计,由绝缘子故障引起的电网解列或停电事故在电力系统故障中约占80％的比例。因此,定期地对输电线路中的绝缘子状态进行检测是保障电网安全运行的一项重要技术措施。
传统的输电线路玻璃绝缘子状态识别都采用传统的模式识别方法，首先根据色调、色饱、和度、亮度颜色空间等特征作分割图像，得到去除背景的玻璃绝缘子目标图像；再结合直方图等统计特性来判断绝缘子的状态。传统方法的缺点很多，不仅颜色空间易受到光照的影响；根据特征来提取目标图像需要手动调整分割效果，但是输电线路背景复杂，手动调整分割效果得到的检测效果常常不如人意。
深度学习的兴起引起了人们的广泛关注，其中卷积神经网络在图像识别与检测中取得了良好的识别效果。电子科技大学自动化工程学院陈庆、闫斌等人进行了航拍绝缘子卷积神经网络检测及自爆识别研究(电子测量与仪器学报，2017，31(06)：942-953)，通过搭建卷积神经网络，在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上，对网络进行改进，实现在复杂航拍背景中的绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测，结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模，提出一种针对绝缘子自爆故障的识别算法。该方法降低了环境的影响程度，并且取代了人工分析，降低了由人为经验判断可能造成的误差，但卷积神经网络中的卷积操作仍较复杂，计算效率偏低，时间成本较高。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种提高了复杂环境中多类别绝缘子的区分能力和状态检测精度，通过降低卷积操作的复杂度提升了绝缘子的检测速度，满足了准确化快速化的实际需求的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法。
本发明解决其技术问题所采用的技术方案是：该基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：包括如下步骤：
步骤1001，对无人机航拍的玻璃绝缘子图像集合进行预处理，得到预处理后的航拍玻璃绝缘子图像集合；
步骤1002，对预处理后不同类别的航拍绝缘子图像进行分类；
步骤1003，利用YOLO算法对航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理；
步骤1004，构建多尺度的深层扰动神经网络，扰动神经网络包含扰动层、池化层、全连接层以及h个SCN分类器组成的集成分类器Xh；
步骤1005，融合多分支网络架构的特征向量；
步骤1006，误差反向传播并更新扰动神经网络参数；
步骤1007，基于模糊积分融合方法得到测试集样本的输出结果。
优选的，在所述的步骤1002中，在对航拍绝缘子图像进行分类时，分为航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2；
对航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中各m幅航拍玻璃绝缘子图像进行人工标注，获取玻璃绝缘子区域所在的矩形边界框的坐标位置，得到人工标注后的玻璃绝缘子图像集合作为玻璃绝缘子自爆状态识别的训练集合T1，将所述航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中其余航拍玻璃绝缘子图像作为玻璃绝缘子自爆状态识别的测试集合T2。
优选的，在所述的步骤1003中，对定位后的绝缘子进行归一化处理时，具体包括如下步骤：
利用所述训练集合T1训练目标检测YOLO模型，得到玻璃绝缘子检测模型；利用玻璃绝缘子检测模型对所述测试集合T2进行检测，得到测试集合T2中所有航拍玻璃绝缘子图像的矩形边界框的坐标位置；
裁剪出训练集合T1中人工标注的矩形边界框和测试集合T2中航拍玻璃绝缘子图像的矩形边界框并进行归一化操作，得到目标玻璃绝缘子图像集合，并对目标玻璃绝缘子图像集合重新进行分类，分为包含k1幅完好玻璃绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆玻璃绝缘子图像的自爆玻璃绝缘子图像集记为v；
从完好玻璃绝缘子图像集中取出m1幅完好玻璃绝缘子图像，并从自爆玻璃绝缘子图像集v中取出m2幅自爆玻璃绝缘子图像共同作为训练集T3，剩余玻璃绝缘子图像作为测试集T4。
优选的，在步骤1005中，融合多分支网络架构的特征向量，具体包括如下步骤：
步骤1005-1，定义变量i，初始化为i＝1；
步骤1005-2，从训练集T3中选取第i幅玻璃绝缘子图像输入第μ次迭代的扰动神经网络，得到维数为8M*4的特征向量Fi,μ；将特征向量Fi,μ输入集成分类器Xh得到集成分类器Xh中第n个SCN分类器的输出为t′i,μ,n＝[t′i,μ,n,1,...,t′i,μ,n,nc]T；将t′i,μ,n与期望输出
Figure BDA0002458064630000031
作差得到集成分类器Xh中第n个SCN分类器的输出误差ei,μ,n；其中，n＝1,...,h，nc为扰动神经网络输出类别个数；
步骤1005-3，将i+1赋值给i后，判断i﹥m1+m2是否成立；若成立，则继续执行步骤1005-4，否则，返回步骤1005-2；
步骤1005-4，计算第μ次迭代的扰动神经网络中集成分类器Xh中第n个SCN分类器的输出均方根误差
Figure BDA0002458064630000032
利用加权平均法计算第μ次迭代的扰动神经网络输出的均方根误差
Figure BDA0002458064630000033
步骤1005-5，将μ+1赋值给μ后，判断μ﹥μmax是否成立，若成立，保存扰动神经网络模型Aμ，继续执行步骤1007；否则，继续执行步骤1006。
优选的，在所述的步骤1006中，误差反向传播并更新扰动神经网络参数的公式为：
Figure BDA0002458064630000034
Figure BDA0002458064630000035
Figure BDA0002458064630000036
Figure BDA0002458064630000037
Figure BDA0002458064630000038
其中，Ln表示集成分类器Xh中第n个SCN分类器的节点个数；T表示网络期望输出集，T＝{t1,t2,...tN}；Fμ表示网络第μ次更新时网络全连接层的特征集，Fμ＝{F1,μ,.F2,μ,...FN,μ}；
Fμ,n表示网络第μ次更新反向传播过程中集成分类器Xh中第n个SCN分类器的输入特征向量；βj,n表示集成分类器Xh中第n个SCN分类器到输出层的权重；
Figure BDA0002458064630000041
表示全连接层到集成分类器Xh中第n个SCN分类器的权重；bj,n表示全连接层到集成分类器Xh中第n个SCN分类器的偏置；k(·)表示网络的激活函数。
优选的，在所述的步骤1004中，深层扰动神经网络包括三层：
第一层为7×7的卷积层，卷积核的个数是M个；
第二层为3×3的最大池化层，并产生三个分支；
第三层为h个SCN分类器组成的集成分类器Xh。
优选的，所述的三个分支为：第一层为7×7的卷积层，卷积核的个数是M个，这也就意味着经过该层卷积后的输出图像通道是M，第二层为3×3的最大池化层，然后产生三个分支：
第一个分支：首先连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接2个连续的扰动层，输出图像的通道数为4M；
第二个分支：首先连接3个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接4个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接3个连续的扰动层，输出图像的通道数为4M；
第三个分支：首先连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接12个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接24个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接16个连续的扰动层，输出图像的通道数为4M；
将三个分支的特征输出进行特征融合，然后输入到四个分支，第一个分支是7×7的平均池化层和神经元个数为12M的全连接层；第二个分支为1×1的平均池化层、神经元个数为192M的全连接层和神经元个数为12M的全连接层；第三个分支为3×3的平均池化层、神经元个数为108M的全连接层和神经元个数为12M的全连接层；第四个分支为5×5的平均池化层、神经元个数为48M的全连接层和神经元个数为12M的全连接层；再将四个全连接层的输出进行加权平均，得到维数为12M的特征向量输出。
优选的，所述的扰动层包含预定义随机噪声掩模、Relu激活函数以及卷积核大小为1×1的卷积层，其特征如公式所示：
Figure BDA0002458064630000042
其中，
Figure BDA0002458064630000051
表示第l层扰动层的输出图像，输出图像通道数为t；
Figure BDA0002458064630000052
表示第l层扰动层的输入图像的第i个通道数图像，输入图像的总通道数为c；
Figure BDA0002458064630000053
表示第l层扰动层第i个预定义随机噪声掩模；σrelu(·)为非线性激活函数Relu；
Figure BDA0002458064630000054
表示第l层扰动层的权重参数，相当于进行一次卷积核大小为1×1的卷积操作，将经过激活函数的特征图通道数转换为输出图像的通道数。
与现有技术相比，本发明所具有的有益效果是：
1、通过本基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，提高了复杂环境中多类别绝缘子的区分能力和状态检测精度，通过降低卷积操作的复杂度提升了绝缘子的检测速度，满足了准确化快速化的实际需求。
2、在本申请的技术方案中，利用扰动神经网络中添加预定义噪声掩模操作替换深层卷积神经网络中的卷积操作，降低了深层神经网络中卷积运算的复杂度，从而提高了绝缘子检测速度。
3、在本申请的技术方案中，采用多分支网络架构，从多个视角获取绝缘子图像的特征，增强了特征空间的完备性，并基于多尺度网络架构增强了特征空间对多类别玻璃绝缘子图像的可区分能力。
4、在本申请的技术方案中，采用随机配置网络替代传统卷积神经网络中的softmax层，实现了玻璃绝缘子图像多尺度特征的自爆状态全局逼近，增强了学习器的学习能力和泛化能力。
附图说明
图1为基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法流程图。
图2为基于多尺度的深层扰动神经网络结构图。
图3为两个连续的扰动层构成的扰动残差块结构图。
图4为k个数量的连续扰动层构成的扰动残差块结构图。
具体实施方式
图1～4是本发明的最佳实施例，下面结合附图1～4对本发明做进一步说明。
如图1所示，基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，包括如下步骤：
步骤1001，对无人机航拍的玻璃绝缘子图像集合进行预处理，得到预处理后的航拍玻璃绝缘子图像集合，预处理具体包括常规的尺寸归一化处理和滤波去噪处理。
步骤1002，对预处理后不同类别的航拍绝缘子图像进行分类。
将所述预处理后的航拍玻璃绝缘子图像集合进行分类，分为航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2。
对航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中各m幅航拍玻璃绝缘子图像进行人工标注，获取玻璃绝缘子区域所在的矩形边界框的坐标位置，从而得到人工标注后的玻璃绝缘子图像集合作为玻璃绝缘子自爆状态识别的训练集合T1。将所述航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中其余航拍玻璃绝缘子图像作为玻璃绝缘子自爆状态识别的测试集合T2。
步骤1003，利用YOLO算法对背景复杂的航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理。
利用所述训练集合T1训练目标检测YOLO模型，得到玻璃绝缘子检测模型，从而利用所述玻璃绝缘子检测模型对所述测试集合T2进行检测，得到测试集合T2中所有航拍玻璃绝缘子图像的矩形边界框的坐标位置。
裁剪出所述训练集合T1中人工标注的矩形边界框和测试集合T2中航拍玻璃绝缘子图像的矩形边界框并进行归一化操作，得到目标玻璃绝缘子图像集合；再将所述目标玻璃绝缘子图像集合重新进行分类，分为包含k1幅完好玻璃绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆玻璃绝缘子图像的自爆玻璃绝缘子图像集记为v。
从所述完好玻璃绝缘子图像集中取出m1幅完好玻璃绝缘子图像，并从所述自爆玻璃绝缘子图像集v中取出m2幅自爆玻璃绝缘子图像共同作为训练集T3，剩余玻璃绝缘子图像作为测试集T4。
步骤1004，构建多尺度的深层扰动神经网络；
扰动神经网络包含扰动层、池化层、全连接层以及h个SCN(StochasticConfiguration Network)分类器组成的集成分类器Xh。
定义网络当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μmax；对所述扰动神经网络中各层的参数进行第μ次随机初始化，从而得到第μ次迭代的扰动神经网络。
本网络是对卷积神经网络的改进，将卷积网络中的卷积操作替换为添加预定义噪声掩模，并构建了扰动残差块，得到了如图1所示的基于多尺度的深层扰动神经网络，具体结构特征如下：
第一层为7×7的卷积层，卷积核的个数是M个，这也就意味着经过该层卷积后的输出图像通道是M，第二层为3×3的最大池化层，然后产生三个分支：
第一个分支：首先连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接2个连续的扰动层，输出图像的通道数为4M。
第二个分支：首先连接3个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接4个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接3个连续的扰动层，输出图像的通道数为4M。
第三个分支：首先连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接12个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接24个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接16个连续的扰动层，输出图像的通道数为4M。
将三个分支的特征输出进行特征融合，然后输入到四个分支，第一个分支是7×7的平均池化层和神经元个数为12M的全连接层；第二个分支为1×1的平均池化层、神经元个数为192M的全连接层和神经元个数为12M的全连接层；第三个分支为3×3的平均池化层、神经元个数为108M的全连接层和神经元个数为12M的全连接层；第四个分支为5×5的平均池化层、神经元个数为48M的全连接层和神经元个数为12M的全连接层；再将四个全连接层的输出进行加权平均，得到维数为12M的特征向量输出；
第三层为h个SCN分类器组成的集成分类器Xh。
两个连续的扰动层构成的扰动残差块的具体网络结构如图3所示；其中Perturbation为添加预定义噪声掩模操作。K个数量的连续扰动层构成的扰动残差块具体网络结构如图4所示。
上述的扰动层包含预定义随机噪声掩模、Relu激活函数以及卷积核大小为1×1的卷积层，其特征如公式(1)所示：
Figure BDA0002458064630000071
其中，
Figure BDA0002458064630000072
表示第l层扰动层的输出图像，输出图像通道数为t；
Figure BDA0002458064630000073
表示第l层扰动层的输入图像的第i个通道数图像，输入图像的总通道数为c；
Figure BDA0002458064630000074
表示第l层扰动层第i个预定义随机噪声掩模；σrelu(·)为非线性激活函数Relu；
Figure BDA0002458064630000075
表示第l层扰动层的权重参数，相当于进行一次卷积核大小为1×1的卷积操作，将经过激活函数的特征图通道数转换为输出图像的通道数。
步骤1005，融合多分支网络架构的特征向量；
具体包括如下步骤：
步骤1005-1，定义变量i，初始化为i＝1。
步骤1005-2，从所述训练集T3中选取第i幅玻璃绝缘子图像输入第μ次迭代的扰动神经网络，得到维数为8M*4的特征向量Fi,μ；将特征向量Fi,μ输入集成分类器Xh得到集成分类器Xh中第n个SCN分类器的输出为
Figure BDA0002458064630000081
将t′i,μ,n与期望输出
Figure BDA0002458064630000082
作差得到集成分类器Xh中第n个SCN分类器的输出误差ei,μ,n；其中，n＝1,...,h，nc为扰动神经网络输出类别个数。
步骤1005-3，将i+1赋值给i后，判断i﹥m1+m2是否成立；若成立，则继续执行步骤1005-4，否则，返回步骤1005-2。
步骤1005-4，计算第μ次迭代的扰动神经网络中集成分类器Xh中第n个SCN分类器的输出均方根误差
Figure BDA0002458064630000083
利用加权平均法计算第μ次迭代的扰动神经网络输出的均方根误差
Figure BDA0002458064630000084
步骤1005-5，将μ+1赋值给μ后，判断μ﹥μmax是否成立，若成立，保存扰动神经网络模型Aμ，继续执行步骤1007；否则，继续执行步骤1006。
步骤1006，误差反向传播并更新扰动神经网络参数。
将eμ赋值给eμ,n，根据梯度下降的反向传播算法更新全连接层到输入层的扰动神经网络的权重和偏置，根据公式(2)～(6)计算扰动神经网络中输出层到全连接层的反向传播过程：
Figure BDA0002458064630000085
Figure BDA0002458064630000086
Figure BDA0002458064630000087
Figure BDA0002458064630000088
Figure BDA0002458064630000091
其中，Ln表示集成分类器Xh中第n个SCN分类器的节点个数；T表示网络期望输出集，T＝{t1,t2,...tN}；Fμ表示网络第μ次更新时网络全连接层的特征集，Fμ＝{F1,μ,.F2,μ,...FN,μ}；
Fμ,n表示网络第μ次更新反向传播过程中集成分类器Xh中第n个SCN分类器的输入特征向量；βj,n表示集成分类器Xh中第n个SCN分类器到输出层的权重；
Figure BDA0002458064630000094
表示全连接层到集成分类器Xh中第n个SCN分类器的权重；bj,n表示全连接层到集成分类器Xh中第n个SCN分类器的偏置；k(·)表示网络的激活函数。
将i置为“1”，并返回步骤1005。
步骤1007，基于模糊积分融合方法得到测试集样本的输出结果。
顺序将测试集T4中的测试样本Ct输入步骤1005所述网络模型Aμ，基于模糊积分融合方法得到模糊密度作为网络输出g(Ct)，网络输出g(Ct)可由公式(7)获得：
Figure BDA0002458064630000092
其中，h表示集成分类器Xh中SCN分类器的个数；
Figure BDA0002458064630000093
表示集成分类器Xh中第n个SCN分类器将测试样本Ct认知为Ti类的输出值；Bn表示测试样本Ct为第Ti类的类别标签；n＝1,2,...,h。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：包括如下步骤：
步骤1001，对无人机航拍的玻璃绝缘子图像集合进行预处理，得到预处理后的航拍玻璃绝缘子图像集合；
步骤1002，对预处理后不同类别的航拍绝缘子图像进行分类；
步骤1003，利用YOLO算法对航拍绝缘子图像进行初定位，并对定位后的绝缘子进行归一化处理；
步骤1004，构建多尺度的深层扰动神经网络，扰动神经网络包含扰动层、池化层、全连接层以及h个SCN分类器组成的集成分类器Xh；
步骤1005，融合多分支网络架构的特征向量；
步骤1006，误差反向传播并更新扰动神经网络参数；
步骤1007，基于模糊积分融合方法得到测试集样本的输出结果。
2.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1002中，在对航拍绝缘子图像进行分类时，分为航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2；
对航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中各m幅航拍玻璃绝缘子图像进行人工标注，获取玻璃绝缘子区域所在的矩形边界框的坐标位置，得到人工标注后的玻璃绝缘子图像集合作为玻璃绝缘子自爆状态识别的训练集合T1，将所述航拍完好玻璃绝缘子图像集合M1和航拍破损玻璃绝缘子图像集合M2中其余航拍玻璃绝缘子图像作为玻璃绝缘子自爆状态识别的测试集合T2。
3.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1003中，对定位后的绝缘子进行归一化处理时，具体包括如下步骤：
利用所述训练集合T1训练目标检测YOLO模型，得到玻璃绝缘子检测模型；利用玻璃绝缘子检测模型对所述测试集合T2进行检测，得到测试集合T2中所有航拍玻璃绝缘子图像的矩形边界框的坐标位置；
裁剪出训练集合T1中人工标注的矩形边界框和测试集合T2中航拍玻璃绝缘子图像的矩形边界框并进行归一化操作，得到目标玻璃绝缘子图像集合，并对目标玻璃绝缘子图像集合重新进行分类，分为包含k1幅完好玻璃绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆玻璃绝缘子图像的自爆玻璃绝缘子图像集记为v；
从完好玻璃绝缘子图像集中取出m1幅完好玻璃绝缘子图像，并从自爆玻璃绝缘子图像集v中取出m2幅自爆玻璃绝缘子图像共同作为训练集T3，剩余玻璃绝缘子图像作为测试集T4。
4.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在步骤1005中，融合多分支网络架构的特征向量，具体包括如下步骤：
步骤1005-1，定义变量i，初始化为i＝1；
步骤1005-2，从训练集T3中选取第i幅玻璃绝缘子图像输入第μ次迭代的扰动神经网络，得到维数为8M*4的特征向量Fi,μ；将特征向量Fi,μ输入集成分类器Xh得到集成分类器Xh中第n个SCN分类器的输出为
Figure FDA0002458064620000028
将t′i，μ，n与期望输出
Figure FDA0002458064620000022
作差得到集成分类器Xh中第n个SCN分类器的输出误差ei,μ,n；其中，n＝1,...,h，nc为扰动神经网络输出类别个数；
步骤1005-3，将i+1赋值给i后，判断i﹥m1+m2是否成立；若成立，则继续执行步骤1005-4，否则，返回步骤1005-2；
步骤1005-4，计算第μ次迭代的扰动神经网络中集成分类器Xh中第n个SCN分类器的输出均方根误差
Figure FDA0002458064620000023
利用加权平均法计算第μ次迭代的扰动神经网络输出的均方根误差
Figure FDA0002458064620000024
步骤1005-5，将μ+1赋值给μ后，判断μ﹥μmax是否成立，若成立，保存扰动神经网络模型Aμ，继续执行步骤1007；否则，继续执行步骤1006。
5.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1006中，误差反向传播并更新扰动神经网络参数的公式为：
Figure FDA0002458064620000025
Figure FDA0002458064620000026
Figure FDA0002458064620000027
Figure FDA0002458064620000031
Figure FDA0002458064620000032
其中，Ln表示集成分类器Xh中第n个SCN分类器的节点个数；T表示网络期望输出集，T＝{t1,t2,...tN}；Fμ表示网络第μ次更新时网络全连接层的特征集，Fμ＝{F1,μ,.F2,μ,...FN,μ}；
Fμ,n表示网络第μ次更新反向传播过程中集成分类器Xh中第n个SCN分类器的输入特征向量；βj,n表示集成分类器Xh中第n个SCN分类器到输出层的权重；
Figure FDA0002458064620000033
表示全连接层到集成分类器Xh中第n个SCN分类器的权重；bj,n表示全连接层到集成分类器Xh中第n个SCN分类器的偏置；k(·)表示网络的激活函数。
6.根据权利要求1所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：在所述的步骤1004中，深层扰动神经网络包括三层：
第一层为7×7的卷积层，卷积核的个数是M个；
第二层为3×3的最大池化层，并产生三个分支；
第三层为h个SCN分类器组成的集成分类器Xh。
7.根据权利要求6所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：所述的三个分支为：第一层为7×7的卷积层，卷积核的个数是M个，这也就意味着经过该层卷积后的输出图像通道是M，第二层为3×3的最大池化层，然后产生三个分支：
第一个分支：首先连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接2个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接2个连续的扰动层，输出图像的通道数为4M；
第二个分支：首先连接3个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接4个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接3个连续的扰动层，输出图像的通道数为4M；
第三个分支：首先连接6个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M/2；继续连接12个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为M；继续连接24个连续的扰动层，再连接1个2×2的平均池化层，输出图像的通道数为2M；最后连接16个连续的扰动层，输出图像的通道数为4M；
将三个分支的特征输出进行特征融合，然后输入到四个分支，第一个分支是7×7的平均池化层和神经元个数为12M的全连接层；第二个分支为1×1的平均池化层、神经元个数为192M的全连接层和神经元个数为12M的全连接层；第三个分支为3×3的平均池化层、神经元个数为108M的全连接层和神经元个数为12M的全连接层；第四个分支为5×5的平均池化层、神经元个数为48M的全连接层和神经元个数为12M的全连接层；再将四个全连接层的输出进行加权平均，得到维数为12M的特征向量输出。
8.根据权利要求7所述的基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法，其特征在于：所述的扰动层包含预定义随机噪声掩模、Relu激活函数以及卷积核大小为1×1的卷积层，其特征如公式所示：
Figure FDA0002458064620000041
其中，
Figure FDA0002458064620000042
表示第l层扰动层的输出图像，输出图像通道数为t；
Figure FDA0002458064620000043
表示第l层扰动层的输入图像的第i个通道数图像，输入图像的总通道数为c；
Figure FDA0002458064620000045
表示第l层扰动层第i个预定义随机噪声掩模；σrelu(·)为非线性激活函数Relu；
Figure FDA0002458064620000044
表示第l层扰动层的权重参数，相当于进行一次卷积核大小为1×1的卷积操作，将经过激活函数的特征图通道数转换为输出图像的通道数。
CN202010312183.6A 2020-04-20 2020-04-20 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 Active CN111539302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010312183.6A CN111539302B (zh) 2020-04-20 2020-04-20 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010312183.6A CN111539302B (zh) 2020-04-20 2020-04-20 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法

Publications (2)

Publication Number Publication Date
CN111539302A true CN111539302A (zh) 2020-08-14
CN111539302B CN111539302B (zh) 2022-09-09

Family

ID=71979004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010312183.6A Active CN111539302B (zh) 2020-04-20 2020-04-20 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法

Country Status (1)

Country Link
CN (1) CN111539302B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111802A (zh) * 2021-04-20 2021-07-13 池州学院 一种基于深度神经网络的绝缘子检测模型
CN113420771A (zh) * 2021-06-30 2021-09-21 扬州明晟新能源科技有限公司 一种基于特征融合的有色玻璃检测方法
CN117648643A (zh) * 2024-01-30 2024-03-05 山东神力索具有限公司 基于人工智能的索具预测性诊断方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
WO2018086299A1 (zh) * 2016-11-11 2018-05-17 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统
CN108154072A (zh) * 2016-12-02 2018-06-12 天津工业大学 基于深度卷积神经网络的航拍绝缘子故障自动检测
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN109886314A (zh) * 2019-01-29 2019-06-14 淮阴工学院 一种基于pnn神经网络的餐厨废弃油检测方法及其装置
CN109934222A (zh) * 2019-03-01 2019-06-25 长沙理工大学 一种基于迁移学习的绝缘子串自爆识别方法
CN110147777A (zh) * 2019-05-24 2019-08-20 合肥工业大学 一种基于深度迁移学习的绝缘子类别检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018086299A1 (zh) * 2016-11-11 2018-05-17 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及系统
CN108154072A (zh) * 2016-12-02 2018-06-12 天津工业大学 基于深度卷积神经网络的航拍绝缘子故障自动检测
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN109886314A (zh) * 2019-01-29 2019-06-14 淮阴工学院 一种基于pnn神经网络的餐厨废弃油检测方法及其装置
CN109934222A (zh) * 2019-03-01 2019-06-25 长沙理工大学 一种基于迁移学习的绝缘子串自爆识别方法
CN110147777A (zh) * 2019-05-24 2019-08-20 合肥工业大学 一种基于深度迁移学习的绝缘子类别检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEILIX JUEFEI-XU: "《Perturbative Neural Networks》", 《2018IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
LING Z ET AL.: "《An accurate and real-time method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images》", 《 CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》 *
陈庆: "《航拍绝缘子卷积神经网络检测及自爆识别研究》", 《电子测量与仪器学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111802A (zh) * 2021-04-20 2021-07-13 池州学院 一种基于深度神经网络的绝缘子检测模型
CN113111802B (zh) * 2021-04-20 2023-05-23 池州学院 一种基于深度神经网络的绝缘子检测模型
CN113420771A (zh) * 2021-06-30 2021-09-21 扬州明晟新能源科技有限公司 一种基于特征融合的有色玻璃检测方法
CN113420771B (zh) * 2021-06-30 2024-04-19 扬州明晟新能源科技有限公司 一种基于特征融合的有色玻璃检测方法
CN117648643A (zh) * 2024-01-30 2024-03-05 山东神力索具有限公司 基于人工智能的索具预测性诊断方法及装置
CN117648643B (zh) * 2024-01-30 2024-04-16 山东神力索具有限公司 基于人工智能的索具预测性诊断方法及装置

Also Published As

Publication number Publication date
CN111539302B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN111539302B (zh) 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及系统
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN106920243B (zh) 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN108647655B (zh) 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法
CN105701502B (zh) 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN108229589B (zh) 一种基于迁移学习的地基云图分类方法
CN111507370A (zh) 获得自动标注图像中检查标签的样本图像的方法和装置
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN114092832A (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN111612051A (zh) 一种基于图卷积神经网络的弱监督目标检测方法
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN111539422B (zh) 基于Faster RCNN的飞行目标协同识别方法
CN108447057A (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN110084198B (zh) 基于Fisher特征分析的CNN机场室内场景识别方法
CN113486078A (zh) 一种分布式配电网运行监控方法及系统
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN112149962A (zh) 一种施工事故致因行为的风险定量评估方法及系统
CN114359695A (zh) 基于不确定性估计的绝缘子破损识别方法
CN112907614A (zh) 基于深度特征融合的yolov5-segnet绝缘子串轮廓提取方法
CN115965862A (zh) 基于掩码网络融合图像特征的sar舰船目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant