一种基于非深度网络语义分割的绝缘子检测算法的制作方法

1.本发明涉及一种绝缘子技术领域，具体是一种基于非深度网络语义分割的绝缘子检测算法。


背景技术：

2.绝缘子是安装在不同电位的导体之间或导体与地电位构件之间的器件，能够耐受电压和机械应力作用。它是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用。早年间绝缘子多用于电线杆，慢慢发展于高型高压电线连接塔的一端挂了很多盘状的绝缘体，它是为了增加爬电距离的，通常由玻璃或陶瓷制成，就叫绝缘子。绝缘子不应该由于环境和电负荷条件发生变化导致的各种机电应力而失效，否则绝缘子就不会产生重大的作用，就会损害整条线路的使用和运行寿命。
3.对于网络语义分割的绝缘子检测算法都离不开对图像进行处理识别，对于绝缘子图像数据的获取容易受到外界环境的干扰，从而导致影像绝缘子的检测精度，为此本发明提供一种基于非深度网络语义分割的绝缘子检测算法。


技术实现要素：

4.本发明的目的在于提供一种基于非深度网络语义分割的绝缘子检测算法，以解决上述背景技术中提出的问题。
5.为了解决上述技术问题，本发明提供了如下的技术方案：
6.本发明提供一种基于非深度网络语义分割的绝缘子检测算法，具体包括如下步骤：
7.步骤一：将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类；
8.步骤二：将经步骤一分类后的数据处理并通过建立的网络模型，对通过网络模型的图片提取hog特征，确定绝缘子在图片中的大致位置；
9.步骤三：梯度定位方向直方图进行特征描述，具有对尺度旋转、缩放、光照变化能够保持不变性，并且有较强的抗噪能力；k
‑
means聚类算法训练视觉字典，排除非绝缘子的特征，保留绝缘子特征，达到检测出图像中绝缘子的目的；
10.步骤四：对步骤二确定的绝缘子所处的大概位置，采用结构化随机森林边缘检测算法提取图像边缘概率图edge1，并通过非极大值抑制算法细化图像边缘，得到细化边缘概率图edge2，筛选细化边缘概率图中满足特定条件的所有边缘，并将得到的新的边缘概率图edge4，并将edge4归一化至[0,1]；基于新的边缘概率图edge4，将局部边缘特征信息代入贝叶斯推理框架中计算该边缘的显著性值；将得到的所有边缘按显著值从高到低进行排序，筛选出显著性高的边缘，利用绝缘子边缘分布呈现波动性的形态特征进行二次判断，获取绝缘子边缘段；
[0011]
步骤五：对所采集到的彩色绝缘子图像转化成灰度图像的方法采用加权平均法进行灰度化处理，获得灰度图像；
[0012]
步骤六：将测试集数据图像进行高斯滤波处理，然后再对平滑处理后的图像下采样分解，对其大小分别进行1/4下采样，得到新的图像，通过连续降采样，得到不同尺寸的缩略图，最终组成三层金字塔，从最底层到最顶层，图像尺寸逐渐缩小，图像分辨率逐渐降低，得到高斯金字塔模型；然后对得到的高斯金字塔模型每层图像分别提取hog特征，组成图像的最终的hog特征向量；
[0013]
步骤七：gloh描述子采用对数极坐标对特征点邻域进行划分，即建立三个半径逐渐增大的嵌套圆形区域并在最外面两个圆形区域进行8个角度方向的划分，这样就形成17个不重叠的子区域，gloh描述子对每个子区域建立16柱的梯度方向直方图，这样所构建的描述子维数是17
×
16＝272维；
[0014]
步骤八：用pca算法来选择最具有代表性的128维元素以形成最终的gloh描述子。
[0015]
步骤九：使用tensorflow搭建lstm神经网络模型，lstm模型的基本结构实现三个门运算，即遗忘门，输入门和输出门；lstm需要学习的参数共有8组，分别是：遗忘门的权重矩阵wf和偏置项bf、输入门的权重矩阵wi和偏置项bi、输出门的权重矩阵wo和偏置项bo，以及计算单元状态的权重矩阵wc和偏置项bc，通过遗忘门选择遗忘上一时刻的结果，结合这一时刻的输入，得到当前时刻cell的输出，把这些结果通过输出门判断，把输出门的判断结果作为卷积神经网络的输入，将确定了roi区域的图像通过lstm网络再筛选提取一次图片特征，对绝缘子缺损情况进行判断，最后把得到的判断结果在传入分类卷积神经网络中进行分类。
[0016]
步骤十：在卷积后得到的结果上增加偏差，输出结果使用激活函数relu进行激活，损失函数使用交叉熵；第五层第六层是全连接层，把第四层得到的数据一维化，通过特征加权把第四层得到的数据特征转化，然后softmax归一化得到最终的判断结果
[0017]
作为本发明的一种优选技术方案：所述网络模型通过广义普氏分析方法进行形状对齐，将训练集中的所有形状对齐在统一的坐标系下，最小化每个形状和平均形状之间的差距作为目标对齐形状；对对齐后的形状进行主成分分析，经过统计分析后，得到一个统计模型来描述形状；使用模型指导分割的过程中，通过调整模型特征参数，迭代模型使之不断与目标匹配而达到分割目标的目的。
[0018]
作为本发明的一种优选技术方案：将所述绝缘子边缘段，得到原始的样本图像，将数据分为含有绝缘子和不含绝缘子两类数据，并将两类数据分为测试集数据和训练集数据；然后在python环境下调用图像处理库，定义增强因子，对原始图像进行数据增强。
[0019]
本发明的有益效果是：通过建立的网络模型能够快速找到绝缘子的大致位置，再根据k
‑
means聚类算法训练视觉字典，排出非绝缘子特征，达到图像中绝缘子的目的，形成最终的gloh描述子，gloh算子所提取的图像特征，对尺度旋转、缩放、光照变化能够保持不变性，具有较强的抗噪能力，本发明方法具有较高的检测效率和较高的检测精度，更适合电力巡检过程中对大量巡检视频数据处理的应用场景。
具体实施方式
[0020]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范
围。
[0021]
实施例：本发明提供一种基于非深度网络语义分割的绝缘子检测算法，具体包括如下步骤：
[0022]
步骤一：将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类；
[0023]
步骤二：将经步骤一分类后的数据处理并通过建立的网络模型，对通过网络模型的图片提取hog特征，确定绝缘子在图片中的大致位置；
[0024]
步骤三：梯度定位方向直方图进行特征描述，具有对尺度旋转、缩放、光照变化能够保持不变性，并且有较强的抗噪能力；k
‑
means聚类算法训练视觉字典，排除非绝缘子的特征，保留绝缘子特征，达到检测出图像中绝缘子的目的；
[0025]
步骤四：对步骤二确定的绝缘子所处的大概位置，采用结构化随机森林边缘检测算法提取图像边缘概率图edge1，并通过非极大值抑制算法细化图像边缘，得到细化边缘概率图edge2，筛选细化边缘概率图中满足特定条件的所有边缘，并将得到的新的边缘概率图edge4，并将edge4归一化至[0,1]；基于新的边缘概率图edge4，将局部边缘特征信息代入贝叶斯推理框架中计算该边缘的显著性值；将得到的所有边缘按显著值从高到低进行排序，筛选出显著性高的边缘，利用绝缘子边缘分布呈现波动性的形态特征进行二次判断，获取绝缘子边缘段；
[0026]
步骤五：对所采集到的彩色绝缘子图像转化成灰度图像的方法采用加权平均法进行灰度化处理，获得灰度图像；
[0027]
步骤六：将测试集数据图像进行高斯滤波处理，然后再对平滑处理后的图像下采样分解，对其大小分别进行1/4下采样，得到新的图像，通过连续降采样，得到不同尺寸的缩略图，最终组成三层金字塔，从最底层到最顶层，图像尺寸逐渐缩小，图像分辨率逐渐降低，得到高斯金字塔模型；然后对得到的高斯金字塔模型每层图像分别提取hog特征，组成图像的最终的hog特征向量；
[0028]
步骤七：gloh描述子采用对数极坐标对特征点邻域进行划分，即建立三个半径逐渐增大的嵌套圆形区域并在最外面两个圆形区域进行8个角度方向的划分，这样就形成17个不重叠的子区域，gloh描述子对每个子区域建立16柱的梯度方向直方图，这样所构建的描述子维数是17
×
16＝272维；
[0029]
步骤八：用pca算法来选择最具有代表性的128维元素以形成最终的gloh描述子。
[0030]
步骤九：使用tensorflow搭建lstm神经网络模型，lstm模型的基本结构实现三个门运算，即遗忘门，输入门和输出门；lstm需要学习的参数共有8组，分别是：遗忘门的权重矩阵wf和偏置项bf、输入门的权重矩阵wi和偏置项bi、输出门的权重矩阵wo和偏置项bo，以及计算单元状态的权重矩阵wc和偏置项bc，通过遗忘门选择遗忘上一时刻的结果，结合这一时刻的输入，得到当前时刻cell的输出，把这些结果通过输出门判断，把输出门的判断结果作为卷积神经网络的输入，将确定了roi区域的图像通过lstm网络再筛选提取一次图片特征，对绝缘子缺损情况进行判断，最后把得到的判断结果在传入分类卷积神经网络中进行分类。
[0031]
步骤十：在卷积后得到的结果上增加偏差，输出结果使用激活函数relu进行激活，损失函数使用交叉熵；第五层第六层是全连接层，把第四层得到的数据一维化，通过特征加权把第四层得到的数据特征转化，然后softmax归一化得到最终的判断结果。
[0032]
其中，所述网络模型通过广义普氏分析方法进行形状对齐，将训练集中的所有形状对齐在统一的坐标系下，最小化每个形状和平均形状之间的差距作为目标对齐形状；对对齐后的形状进行主成分分析，经过统计分析后，得到一个统计模型来描述形状；使用模型指导分割的过程中，通过调整模型特征参数，迭代模型使之不断与目标匹配而达到分割目标的目的。
[0033]
其中，将所述绝缘子边缘段，得到原始的样本图像，将数据分为含有绝缘子和不含绝缘子两类数据，并将两类数据分为测试集数据和训练集数据；然后在python环境下调用图像处理库，定义增强因子，对原始图像进行数据增强。
[0034]
通过建立的网络模型能够快速找到绝缘子的大致位置，再根据k
‑
means聚类算法训练视觉字典，排出非绝缘子特征，达到图像中绝缘子的目的，形成最终的gloh描述子，gloh算子所提取的图像特征，对尺度旋转、缩放、光照变化能够保持不变性，具有较强的抗噪能力，本发明方法具有较高的检测效率和较高的检测精度，更适合电力巡检过程中对大量巡检视频数据处理的应用场景。
[0035]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0036]
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。