[发明专利]一种协同深度学习的绝缘子故障检测方法

权利要求书

1.一种协同深度学习的绝缘子故障检测方法，其特征在于，包括以下步骤，

步骤一、获取绝缘子图像数据训练集和测试集，并对图像进行预处理；

步骤二、将绝缘子图像数据训练集输入VGG16特征提取网络，通过3次上采样得到与原图像相同尺寸的特征图，建立FCN算法权重模型；

步骤三、将绝缘子图像数据测试集输入所述VGG16特征提取网络，利用所述FCN算法权重模型对所述绝缘子图像数据测试集进行图像分割，获取绝缘子图像分割结果数据集；将绝缘子图像数据测试集中图像与所述绝缘子图像分割结果数据集中图像进行逻辑与运算，获取去除背景区域后的绝缘子图像分割结果数据集；

步骤四、将所述绝缘子分割结果数据集输入Darknet-53特征提取网络，采用级联的方式得到3种尺度的特征图，建立YOLOv3算法权重模型；其中，通过使用K-means++聚类算法对所述绝缘子分割结果数据集中的故障图像数据进行聚类分析，计算样本框与锚点框之间的平均交并比，以聚类值与样本真实值之间的平均损失为目标函数，根据目标函数值和聚类中心个数获取9个锚点框参数，以此优化YOLOv3算法的锚点框参数，所述锚点框是根据目标框尺寸事先设定的固定尺寸的候选框；

步骤五、将绝缘子故障待检测图像数据输入所述Darknet-53特征提取网络，利用所述YOLOv3算法权重模型对绝缘子故障待检测图像数据进行检测，获取绝缘子故障检测结果。

2.根据权利要求1所述一种协同深度学习的绝缘子故障检测方法，其特征在于，步骤一中对图像进行预处理包括图像增强和图像归一化。

3.根据权利要求1所述一种协同深度学习的绝缘子故障检测方法，其特征在于，步骤二中通过3次上采样得到与原图像相同尺寸的特征图的具体步骤包括，采用跳跃结构，通过融合浅层图像特征与深层语义特征形成FCN-8s模型以提升分割精度。

4.根据权利要求3所述一种协同深度学习的绝缘子故障检测方法，其特征在于，所述FCN-8s模型形成过程为：首先将卷积层8输出结果进行2倍上采样，并和池化层4进行融合，对融合结果进行16倍上采样得到FCN-16s模型；然后将FCN-16s模型输出结果进行2倍上采样，并和池化层3进行融合，对融合结果进行8倍上采样得到FCN-8s模型。

5.根据权利要求4所述一种协同深度学习的绝缘子故障检测方法，其特征在于，步骤四中所述目标函数计算公式为：

其中，B表示样本目标真实框；C表示聚类中心；n表示样本总数；k表示聚类中心个数；n_k表示第k个聚类中心中样本的个数；I_IOU(B，C)表示目标真实框和中心框的交并比。

6.根据权利要求1所述一种协同深度学习的绝缘子故障检测方法，其特征在于，步骤一中对图像进行预处理还包括在图像中利用labelme工具对绝缘子进行标记。

7.根据权利要求1所述一种协同深度学习的绝缘子故障检测方法，其特征在于，步骤四中在所述绝缘子分割结果数据集中利用Labelimg对绝缘子故障进行标记，所述绝缘子故障包括均压环脱落故障和玻璃绝缘子爆缸故障。