申请/专利权人：西安理工大学

申请日：2020-12-16

公开（公告）日：2024-02-09

公开（公告）号：CN112634216B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明公开了一种基于深度学习模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。

主权项：1.一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U-Net模型和CNN模型，用部分单通道标注图训练U-Net模型和CNN模型，通过训练的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将所述掩膜图像输入训练后的CNN模型中，若CNN模型输出数值0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆；包括以下步骤：步骤1，采集同一个绝缘子的多张绝缘子图像，对采集的绝缘子图像像素进行统一化调整；步骤2，采用图像标注工具对绝缘子图像进行标注和格式转化，得到单通道标注图；步骤3，构建U-Net模型，使特征图在进行卷积操作前后图像的像素一致；采用步骤2获得的部分单通道标注图训练U-Net模型，以损失最小的训练参数作为U-Net模型的最终参数，然后通过训练后的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像；所述步骤3具体包括以下步骤：步骤3.1，构建U-Net模型，在每层卷积操作前，对特征图进行零填充来改进模型，使特征图在进行卷积操作前后图像的像素一致；步骤3.2，将步骤2得到的单通道标注图分为三部分，分别是训练集，验证集和测试集；步骤3.3，采用优化器训练步骤3.1获得的U-Net模型，将训练集输入U-Net模型中进行训练，每训练完一趟，用验证集进行验证，若验证集上损失最小的训练参数满足MIoU函数，则以验证集上损失最小的训练参数作为U-Net模型的最终参数，即完成对U-Net模型的训练，MIoU函数如下： 式中，i表示真实值，j表示预测值，K+1是类别个数，包含空类，pij表示本属于类别i但被预测为类别j的像素数量，pii表示类别i真正的像素数量，pji表示本属于类别j但被预测为类别i的像素数量；步骤3.4，采用训练后的U-Net模型提高测试集的像素精度，获得最优像素精度的掩膜图像；步骤4，构建卷积神经网络CNN模型，采用训练U-Net模型的单通道标注图来训练卷积神经网络CNN模型，以损失最小的训练参数作为CNN模型的最终参数，即获得训练后的CNN模型；步骤5，将步骤3获得的掩膜图像输入训练后的CNN模型中，若CNN模型输出的数值0.5，则认为所述绝缘子图像完整，即绝缘子没有发生自爆；否则，则认为所述绝缘子图像有缺失，即绝缘子发生了自爆。

全文数据：

权利要求：

百度查询： 西安理工大学 一种基于深度学习模型的绝缘子自爆检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD