[發明專利]一種基于深度學習模型的絕緣子自爆檢測方法

在審

• 申請號: 202011485662.4
• 申請日: 2020-12-16
• 公開（公告）號: CN112634216A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 王倩;王曄琳;李俊;何復興;朱龍輝;李寧;李賀
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 劉娜

1.一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，包括采集絕緣子圖像，將絕緣子圖像轉化為單通道標注圖，構建U-Net模型和CNN模型，用部分單通道標注圖訓練U-Net模型和CNN模型，通過訓練的U-Net模型提高其余部分單通道標注圖的像素精度，獲得最優像素的掩膜圖像，將所述掩膜圖像輸入訓練后的CNN模型中，若CNN模型輸出數值0.5，則認為所述絕緣子沒有發生自爆；否則，則認為所述絕緣子發生了自爆。

2.根據權利要求1所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，包括以下步驟：

步驟1，采集同一個絕緣子的多張絕緣子圖像，對采集的絕緣子圖像像素進行統一化調整；

步驟2，采用圖像標注工具對絕緣子圖像進行標注和格式轉化，得到單通道標注圖；

步驟3，構建U-Net模型，使特征圖在進行卷積操作前后圖像的像素一致；采用步驟2獲得的部分單通道標注圖訓練U-Net模型，以損失最小的訓練參數作為U-Net模型的最終參數，然后通過訓練后的U-Net模型提高其余部分單通道標注圖的像素精度，獲得最優像素的掩膜圖像；

步驟4，構建卷積神經網絡CNN模型，采用訓練U-Net模型的單通道標注圖來訓練卷積神經網絡CNN模型，以損失最小的訓練參數作為CNN模型的最終參數，即獲得訓練后的CNN模型；

步驟5，將步驟3獲得的掩膜圖像輸入訓練后的CNN模型中，若CNN模型輸出的數值0.5，則認為所述絕緣子圖像完整，即絕緣子沒有發生自爆；否則，則認為所述絕緣子圖像有缺失，即絕緣子發生了自爆。

3.根據權利要求2所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，所述步驟1中，利用無人機、鋼絲滾動機器人或攀爬機器人采集絕緣子圖像。

4.根據權利要求2所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，所述步驟2的具體操作過程如下：

步驟2.1，采用圖像標注工具對絕緣子圖像進行標注，將絕緣件標注為disc，將連接件標注為ca；

步驟2.2，將標注好的圖像保存為Json格式，得到三通道標注圖；

步驟2.3，利用MATLAB將三通道標注圖進行圖像格式轉化，得到單通道標注圖。

5.根據權利要求2或4所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，所述步驟3具體包括以下步驟：

步驟3.1，構建U-Net模型，在每層卷積操作前，對特征圖進行零填充來改進模型，使特征圖在進行卷積操作前后圖像的像素一致；

步驟3.2，將步驟2得到的單通道標注圖分為三部分，分別是訓練集，驗證集和測試集；

步驟3.3，采用優化器訓練步驟3.1獲得的U-Net模型，將訓練集輸入U-Net模型中進行訓練，每訓練完一趟，用驗證集進行驗證，若驗證集上損失最小的訓練參數滿足MIoU函數，則以驗證集上損失最小的訓練參數作為U-Net模型的最終參數，即完成對U-Net模型的訓練，MIoU函數如下：

式中，i表示真實值，j表示預測值，K+1是類別個數，包含空類，p_ij表示本屬于類別i但被預測為類別j的像素數量，p_ii表示類別i真正的像素數量，p_ji表示本屬于類別j但被預測為類別i的像素數量；

步驟3.4，采用訓練后的U-Net模型提高測試集的像素精度，獲得最優像素精度的掩膜圖像。

6.根據權利要求5所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，所述步驟3.3中，用驗證集進行驗證時，使用交叉熵評估訓練結果，計算損失采用的損失函數如下：

式中，i—驗證集樣本，即驗證集中的單通道標注圖；c—從1到M的類別序列，M—驗證集類別的總數量，pic—樣本i屬于類別c的預測概率，yic—指示變量，若樣本i屬于類別c，yic為1，否則為0；N—驗證集樣本總數量。

7.根據權利要求6所述的一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，所述步驟3.4中，最優像素精度的計算公式如下：