(1-5国网天津市电力公司检修公司天津市300232;6.天津市万贸科技有限公司天津市300171)
摘要:本文针对人工缺陷识别的缺点,提出了基于深度学习的输电设备缺陷识别方法,使用卷积神经网络进行图片的特征提取,避免了前期复杂繁琐的图片预处理,与此同时选用了ImageNet作为分类器进行缺陷判断。该方法经过实验验证,对常见的设备缺陷有较高的识别率,提高了输电线路巡检的自动化水平,降低了人工的劳动强度,便于快速准确的发现输电线路缺陷。
关键词:卷积神经网络;输电设备;缺陷识别
一、ImageNet神经网络模型
1.1、ImageNet的总体结构
ImageNet总共有8个带参数的层(不包含下采样层和局部响应规范化),前五层是卷积层,剩下的三个是全连接层,其中最后一个是分n类的softmax层。
ImageNet整个网络在两片GPU上进行训练,第二层、第四层和第五层卷积层的核只卷积驻留在同一个GPU上的特征图,第三层卷积层卷积所有GPU上的特征图。全连接层的单元连接到上一层的所有单元。响应规范化层接到第一个卷积层、第二个卷积层之后,最大重叠下采样层接到这两个响应规范化层之后以及第五层卷积层之后。每一个卷积层和全连接层的输出都采用ReLU激活函数。第一层卷积层卷积224×224×3的输入图片(RGB三通道图片),核大小为11×11×3,一共有96个核,卷积的时候采用4像素步长滑动。每个GPU上存放一半的特征图,即48个特征图。第二层卷积层把第一层输出规范化和下采样之后的featuremap作为输入,核尺寸为5×5×48(只卷积同一个GPU上的特征图),一共256个核,每个GPU上128个。第三层卷积层用384个3×3×256的核去卷积第二层输出规范化和下采样之后的特征图,卷积所有GPU上的特征图。第四层卷积层,核尺寸3×3×192,核个数384个,也只卷积相同GPU上的特征图。第五个卷积层核尺寸3×3×192,有256个核。每个全连接层都有4096个单元。
1.2ReLU非线性单元
标准的神经元输出一般采用双正切tanh或者S型函数(sigmoid)作为激活函数。但是在ImageNet中使用了ReLU,ReLU函数如下:
其中,表示如果则为1,否则为0。损失函数越小意味着用softmax来分类训练集的结果的越正确。
二、基于ImageNet的输电设备缺陷自动识别算法
(1)包含输电设备的原始图片的前处理:无人机巡检得到的图片大小不统一,同时和ImageNet的输入要求也不一致,所以需要进行压缩处理将其处理到224*224*3的固定大小。
(2)利用ImageNet进行图片特征向量的提取:利用IamgeNet神经网络计算出每张图片的特征向量,最终从每张图片中提取粗1000维的特征向量。
(3)利用softmax进行缺陷种类判别:把步骤(2)提取的特征向量送入Softmax分类器,得出对应各种缺陷的概率,如果该种缺陷的概率超过0.5即被判定为具有此种缺陷,否则判断此种设备不具有该种缺陷。
三、试验结果
3.1模型训练
从现有的无人机巡检照片中我们遴选出拍摄质量较好的照片,选取常见的四种缺陷作为分类对象,构建了训练数据集。。训练数据集总共有5000张图片,其中正常的有2500张,包含各类缺陷的有2500张。权值更新采用随机梯度下降算法,训练迭代80000步得到最终模型参数,在训练集上的准确率稳定约在80%左右。
3.2测试结果
对于每一类,测试阶段会对每一个测试样本进行测试,然后得到分类结果,用分类结果与测试样本的标签进行比较,如果一致,则正确,不一致,则错误。最终将训练好的模型放在测试数据集中测试准确率,同时为了对比,使用了传统的灰度共生矩阵和颜色特征作为特征向量进行分类,两种分类方法对应每种故障的准确率如下:
表3.1模型测试结果
从中可以看出对于相对于传统的算法,深度学习算法的准确率高出很多,同时对于缺陷的识别率也较高。目前由于数据量的不足使得深度学习算法的性能没有得到完全的发挥。如果继续增大数据量对模型进行训练,将会的到更好的效果。
四、总结
本文针对输电设备的的常见缺陷,构建了依据无人机拍摄的设备照片,对缺陷类型进行自动判别判断的深度学习模型。深度学习算法有很多优越性,与传统算法的对结果比表明:深度学习算法简便的实现了端到端的训练,减少了人为的干预,增加了模型的准确率和可靠性。根据我们的结果可以快速准确的发现常见的设备故障,大大降低人工的劳动强度,并且提高了缺陷发现的速度。
参考文献:
[1]蔡诗威,郭太良,姚剑敏.一种基于卷积神经网络的性别识别方法[J].电视技术.2014(19)
[2]汪济民,陆建峰.基于卷积神经网络的人脸性别识别[J].现代电子技术.2015(07)