[发明专利]基于RVI-BNN的配电线路鸟巢故障识别方法

权利要求书

1.基于RVI-BNN的配电线路鸟巢故障识别方法，其特征在于包括以下步骤：

步骤1：通过无人机巡检拍摄，采集配电线路杆塔图像；

步骤2：对采集到的原始图像数据集进行标记，构建配电线路鸟巢图像数据集；

步骤3：对步骤2中的配电线路鸟巢图像数据集进行深度学习模型训练，获得配电线路鸟巢故障识别模型；

步骤4：通过上述训练过程得到的配电线路鸟巢故障识别模型，对无人机巡检中获取的配电线路图像进行检测。

2.根据权利要求1所述基于RVI-BNN的配电线路鸟巢故障识别方法，其特征在于：所述步骤2中，根据无人机巡检采集的图像，对图像中的配电线路杆塔中有鸟巢故障的区域进行标记，生成与子图相对应的带有图像信息和名称信息的文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。

3.根据权利要求1所述基于RVI-BNN的配电线路鸟巢故障识别方法，其特征在于：所述步骤3中，选择贝叶斯卷积神经网络作为分类场景，搭建了贝叶斯卷积神经网络模型，具体网络结构如下：

①、输入层：将每一张原始图像归一化为227×227×3规格的RGB图像；

②、第一层卷积层有96个卷积核，尺寸为11×11×3，步长为4；layer1池化层的池化方法为Maxpooling，尺寸为3×3，步长为2；

③、第二层卷积层有256个卷积核，尺寸为5×5×96，步长为1，layer2池化层的池化方法为Maxpooling，尺寸为3×3，步长为2；

④、第三层卷积层有384个卷积核，尺寸为3×3×256，步长为1；Layer3池化层的池化方法为Maxpooling，尺寸为3×3，步长为2；

⑤、第四层卷积层有384个卷积核，尺寸为3×3×384，步长为1；Layer4池化层的池化方法为Maxpooling，尺寸为3×3，步长为2；

⑥、第五层卷积层有256个卷积核，尺寸为3×3×384，步长为1，layer5池化层的池化方法为Maxpooling，尺寸为3×3，步长为2；

⑦、第六层全连接层为4096个神经元；

⑧、第七层全连接层为2048个神经元；

⑨、第八层全连接层为图像分类类别数目的神经元；

使用训练集对贝叶斯卷积神经网络进行训练，利用变分推断的方法近似真实权重参数的分布，通过最小化KL散度更新权重参数得到一个近似的权重参数分布。