[發(fā)明專利]一種改進(jìn)B_CNN的絕緣子老化和污損光譜分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111136981.9
• 申請(qǐng)日: 2021-09-27
• 公開(kāi)（公告）號(hào): CN114255348B
• 公開(kāi)（公告）日: 2023-01-10
• 發(fā)明（設(shè)計(jì)）人: 陳林聰;陳曉琳;李欣然;張瑞恩;符小桃;符傳福
• 申請(qǐng)（專利權(quán)）人: 海南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 顏希文

本發(fā)明提供一種改進(jìn)B_CNN的絕緣子老化和污損光譜分類方法，所述方法包括下列步驟：將絕緣子光譜圖像數(shù)據(jù)進(jìn)行歸一化，作為訓(xùn)練數(shù)據(jù)和待處理數(shù)據(jù)；構(gòu)建包含兩個(gè)特征提取器CNN?A和CNN?B、轉(zhuǎn)置卷積操作、卷積注意力網(wǎng)絡(luò)和高效分類器下的B_CNN改進(jìn)模型，將兩個(gè)特征提取器中的特征提取層Conv2和Conv3分別做轉(zhuǎn)置卷積操作，有助于提高特征的提取效率；在兩個(gè)特征提取器中的Conv3之后加入卷積注意力網(wǎng)絡(luò)，增強(qiáng)提取特征信息的置信度；分類器部分采用高效分類器對(duì)絕緣子光譜圖像進(jìn)行分類，提升分類的效率，獲得精準(zhǔn)的分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及絕緣子檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種改進(jìn)B_CNN的絕緣子老化和污損光譜分類方法。

背景技術(shù)

絕緣子的老化和污損是輸電線路中一項(xiàng)重要的檢測(cè)技術(shù)，如果能及時(shí)發(fā)現(xiàn)和檢測(cè)損害程度可有效預(yù)防輸電線路引起的火災(zāi)。據(jù)不完全統(tǒng)計(jì)，我國(guó)每年的火災(zāi)因絕緣子而引起的事故就有上萬(wàn)例。

當(dāng)前傳統(tǒng)的絕緣子檢測(cè)方式存在一定的缺陷如人工檢查出現(xiàn)漏檢、錯(cuò)檢等情況，一些傳統(tǒng)算法檢測(cè)精度低、分類效果差，消耗時(shí)間長(zhǎng)等。近年來(lái)，雖然深度學(xué)習(xí)算法在絕緣子檢測(cè)技術(shù)方面表現(xiàn)出較好的成果，但是仍然存在一些不足之處，如那些遮擋的絕緣子和損害程度過(guò)大的圖像數(shù)據(jù)等，會(huì)影響特征提取的效率和分類的準(zhǔn)確性。

發(fā)明內(nèi)容

鑒以此，本發(fā)明的目的在于提供一種改進(jìn)B_CNN的絕緣子老化和污損光譜分類方法，以解決傳統(tǒng)絕緣子分類算法存在特征提取設(shè)計(jì)復(fù)雜、分類精度低的問(wèn)題。

本發(fā)明采用的技術(shù)方案如下：

一種改進(jìn)B_CNN的絕緣子老化和污損光譜分類方法，所述方法包括以下步驟：

S1:將絕緣子老化和污損光譜圖像數(shù)據(jù)進(jìn)行調(diào)整為統(tǒng)一大小的尺寸，并劃分為訓(xùn)練數(shù)據(jù)以及待處理數(shù)據(jù)；

S2:構(gòu)建包含兩個(gè)特征提取器的CNN-A和CNN-B特征提取網(wǎng)絡(luò)，將B_CNN的兩個(gè)特征提取器中的特征提取層Conv2和Conv3做轉(zhuǎn)置卷積操作處理，獲得更加高效和語(yǔ)義豐富的特征信息，所述轉(zhuǎn)置卷積操作處理過(guò)程包括當(dāng)前特征圖、上采樣、特征映射、逆卷積、獲得特征圖；

S3:構(gòu)建包含特征處理的卷積注意力網(wǎng)絡(luò)，將兩個(gè)特征提取器的CNN-A和CNN-B中的Conv3作為卷積注意力網(wǎng)絡(luò)的輸入，獲得更充分的特征信息，所述特征信息包括權(quán)重信息、上下通道的融合信息；

S4:構(gòu)建包含高效分類器網(wǎng)絡(luò)，將B_CNN的分類器部分采用高效分類器作為輸出絕緣子老化和污損光譜圖像分類的結(jié)果，所述輸出分類的結(jié)果包括絕緣子光譜圖像的識(shí)別概率得分、預(yù)測(cè)類別名稱；

S5:將所述待處理數(shù)據(jù)輸入所述改進(jìn)B_CNN網(wǎng)絡(luò)模型，獲得對(duì)絕緣子老化和污損光譜圖像的精準(zhǔn)分類結(jié)果。

進(jìn)一步的，所述訓(xùn)練數(shù)據(jù)包括兩種類別樣品下獲得多個(gè)絕緣子光譜圖像數(shù)據(jù)；所述待處理的數(shù)據(jù)包括兩種類別樣品獲得多個(gè)絕緣子光譜圖像數(shù)據(jù)。

進(jìn)一步的，所構(gòu)建的兩個(gè)特征提取器的CNN-A和CNN-B特征提取網(wǎng)絡(luò)包括4個(gè)卷積層、2個(gè)池化層和4個(gè)激活函數(shù)ReLu層。

進(jìn)一步的，所構(gòu)建的卷積注意力網(wǎng)絡(luò)包括當(dāng)前特征圖輸入、2個(gè)卷積層層、2個(gè)池化層、多層感知器和輸出獲得特征圖。

進(jìn)一步的，所構(gòu)建的高效分類器網(wǎng)絡(luò)包括1個(gè)GMP池化層、1個(gè)GAP池化層、1個(gè)卷積層、1個(gè)BN層、1個(gè)激活函數(shù)層Mish、1個(gè)Dropout層和1個(gè)softmax層。

進(jìn)一步的，所述當(dāng)前特征圖經(jīng)過(guò)卷積層的輸出，由下式構(gòu)成：

O＝(I-K+2P)/S+1

式中，O為輸出特征圖分辨率；I為當(dāng)前輸入特征圖的分辨率；K為卷積核；P為填充；S為步長(zhǎng)，經(jīng)過(guò)轉(zhuǎn)置卷積(逆卷積)操作后獲得特征圖的輸出，由下式構(gòu)成：