一种改进AlexNet网络的绝缘子快速分类识别方法技术

本发明专利技术涉及电力器件技术，具体涉及一种改进AlexNet网络的绝缘子快速分类识别方法，包括以下步骤：收集绝缘子数据集，随机对绝缘子数据集按照7：3的比例划分为训练集和测试集；对AlexNet网络进行改进，建立改进绝缘子分类识别网络模型；训练改进的AlexNet网络，得到训练后的绝缘子分类识别模型；利用测试集得到绝缘子分类结果。该识别方法能更好地对不同种类的绝缘子进行分类识别。提高了在复杂干扰下绝缘子分类识别的准确性和图像检测的快速性，为无人机电力巡检提供了理论依据。无人机电力巡检提供了理论依据。无人机电力巡检提供了理论依据。

【技术实现步骤摘要】
一种改进AlexNet网络的绝缘子快速分类识别方法


[0001]本专利技术属于电力器件
，特别涉及一种改进AlexNet网络的绝缘子快速分类识别方法。

技术介绍

[0002]绝缘子是电力系统中的重要元器件，在输电线路中起到电气绝缘和线路支撑的作用。伴随着无人机在电力巡检中的运用，越来越多的研究者将神经网络运用在绝缘子识别中。对绝缘子种类的精准识别，可以为无人机电力巡检提供理论依据。
[0003]但是，真实情况下的绝缘子分类识别容易受背景干扰，很多分类识别神经网络在实际应用中效果并不好，很容易错检。不同类型的绝缘子表现出不同的颜色特征和形状特征。

技术实现思路

[0004]针对
技术介绍
存在的问题，本专利技术提供一种改进AlexNet网络的绝缘子快速分类识别方法。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：一种改进AlexNet网络的绝缘子快速分类识别方法，包括以下步骤：
[0006]步骤1、基于无人机采集的缺陷绝缘子数据集，随机对缺陷绝缘子数据集按照7：3的比例划分为训练集和测试集；
[0007]步骤2、对AlexNet网络进行改进；用全局平均池化层替换网络中的所有全连接层，在最后一个平均池化层前加一个卷积层，用像素分类输出层替换原有的分类输出层；网络采用交叉熵损失函数；
[0008]步骤3、训练改进的AlexNet网络，将训练集输入到改进的AlexNet网络中，设置实验参数后进行实验，得到训练后的绝缘子分类识别模型；
[0009]步骤4、将测试集输入到已经训练好的绝缘子分类识别模型中进行绝缘子分类识别，得到绝缘子分类结果。
[0010]在上述改进AlexNet网络的绝缘子快速分类识别方法中，缺陷绝缘子数据集包括陶瓷针型绝缘子、陶瓷柱型绝缘子、陶瓷蝶型绝缘子、玻璃高压绝缘子串、陶瓷高压绝缘子串以及复合悬式绝缘子串数据。
[0011]在上述改进AlexNet网络的绝缘子快速分类识别方法中，步骤2所述交叉熵损失函数Loss为：
[0012][0013]其中，N是样本数，K是类别数，w
i
是第i类的权重，t
ni
为第n个样本属于第i类的指标，y
ni
是网络将第n个输入与第i类相关联的概率。
[0014]在上述改进AlexNet网络的绝缘子快速分类识别方法中，步骤3所述训练改进的
AlexNet网络实验在CPU为AMD Ryzen 7 5800H with Radeon Graphics 3.20GHz、GPU为NVIDIA GeForce RTX3060和Window10上运行。
[0015]与现有技术相比，本专利技术的有益效果是：利用改进的AlexNet的航拍绝缘子分类识别方法，构建了一个新的网络，能更好地对不同种类的绝缘子进行分类识别。提高了在复杂干扰下绝缘子分类识别的准确性和图像检测的快速性，为无人机电力巡检提供了理论依据。
附图说明
[0016]图1是本专利技术实施例一种改进AlexNet网络的绝缘子快速分类识别方法的流程图；
[0017]图2(a)是本专利技术实施例陶瓷针型绝缘子CPI分类结果图；
[0018]图2(b)是本专利技术实施例陶瓷高压绝缘子串CHI分类结果图；
[0019]图2(c)是本专利技术实施例陶瓷蝶型绝缘子CBI分类结果图；
[0020]图2(d)是本专利技术实施例玻璃高压绝缘子串GHI分类结果图；
[0021]图2(e)是本专利技术实施例复合悬式绝缘子串CSI分类结果图；
[0022]图2(f)是本专利技术实施例陶瓷柱型绝缘子CCI分类结果图；
[0023]图3是本专利技术实施例不同网络的迭代次数与准确度关系的曲线图。
具体实施方式
[0024]下面将结合本专利技术实施例对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0026]下面结合具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。
[0027]本实施基于AlexNet构建了一个新的网络，以便更好地对不同种类的绝缘子进行分类识别。本实施例是通过以下技术方案来实现的，一种改进AlexNet网络的绝缘子快速分类识别方法，包括以下步骤：
[0028]S1.收集绝缘子数据集：基于无人机采集的缺陷绝缘子数据集。分别为陶瓷针型绝缘子CPI(Ceramic pin insulator)、陶瓷柱型绝缘子CCI(Ceramic cylindrical insulator)、陶瓷蝶型绝缘子CBI(Ceramic butterfly insulator)、玻璃高压绝缘子串GHI(Glass high voltage insulator string)、陶瓷高压绝缘子串CHI(Ceramic high voltage insulator string)以及复合悬式绝缘子串CSI(Composite suspension insulator string)共六种绝缘子。随机对绝缘子数据集按照7：3的比例划分为训练集和测试集。
[0029]S2.建立改进绝缘子分类识别网络模型：具有轻量型和参数量少两个特点的神经网络，在多计算机多显卡训练中，与服务器通信需求更少，并且更容易在内存受限的硬件设备上部署。于是为了降低AlexNet网络的参数量以及提高AlexNet网络在绝缘子分类识别中的准确率，对AlexNet网络进行了改进。主要改进为用全局平均池化层替换网络中的所有全
连接层，然后在最后一个平均池化层前再加一个卷积层，最后用像素分类输出层替换原有的分类输出层，并且网络采用交叉熵损失函数。
[0030]S3.训练改进AlexNet网络：训练改进AlexNet网络实验在CPU为AMD Ryzen 7 5800H with Radeon Graphics 3.20GHz、GPU为NVIDIA GeForce RTX3060和Window10上运行。将训练集输入到改进AlexNet网络中，设置实验参数后进行实验，得到训练后的绝缘子分类识别模型。
[0031]S4.利用测试集得到绝缘子分类结果：将测试集到已经训练好的网络中进行绝缘子分类识别，得到绝缘子分类结果。
[0032]验证改进AlexNet网络的先进性：将训练集输入到与其他分类网络中进行对比，最终得到不同分类网络的绝缘子分类识别的准确度和每秒处理图片数量的对比表，并绘制不同网络的迭代次数与准确度关系的曲线图。
[0033]具体实施时，如图1所示，实现步骤如下：
[0034]一，收集绝缘子数据集：收集绝缘子数据集：基于无人机采集的缺陷绝缘子数据集。通过整理后，陶瓷针型绝缘子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进AlexNet网络的绝缘子快速分类识别方法，其特征在于：包括以下步骤：步骤1、基于无人机采集的缺陷绝缘子数据集，随机对缺陷绝缘子数据集按照7：3的比例划分为训练集和测试集；步骤2、对AlexNet网络进行改进；用全局平均池化层替换网络中的所有全连接层，在最后一个平均池化层前加一个卷积层，用像素分类输出层替换原有的分类输出层；网络采用交叉熵损失函数；步骤3、训练改进的AlexNet网络，将训练集输入到改进的AlexNet网络中，设置实验参数后进行实验，得到训练后的绝缘子分类识别模型；步骤4、将测试集输入到已经训练好的绝缘子分类识别模型中进行绝缘子分类识别，得到绝缘子分类结果。2.根据权利要求1所述改进AlexNet网络的绝缘子快速分类识别方法，其特征在于：缺陷绝缘子数据集包括陶瓷针型绝缘子、陶瓷柱型绝缘子、陶...

【专利技术属性】
技术研发人员：王淑青，汤璐，鲁濠，鲁东林，金浩博，张子言，柯洋洋，罗平章，朱文鑫，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：