【技术实现步骤摘要】
本专利技术涉及绝缘子检测，具体为一种绝缘子质量检测方法。
技术介绍
1、如中国专利申请号cn202211132257.3提出一种绝缘子质量检测方法及系统，涉及数据处理相关
，通过图像采集装置对绝缘子进行图像采集，获得多角度绝缘子图像信息集合；根据绝缘子的应用标准，获得表面预定卷积核；按照表面预定卷积核对多角度绝缘子图像信息集合进行遍历卷积计算，获得绝缘子表面缺陷特征信息；通过超声波探伤仪获得绝缘子内部缺陷特征信息；将表面缺陷特征信息和内部缺陷特征信息输入绝缘子质量分析模型，获得绝缘子质量检测结果；基于绝缘子质量检测结果，对所述绝缘子进行运维管理；解决了如何智能化的实现对绝缘子质量的实时检测，提高质量检测效率与准确性的技术问题；中国专利申请号cn202120581020.8提出一种绝缘子质量检测用检测系统，包括底座，所述底座的顶部栓接有工作台，所述工作台顶部的两侧栓接有检测架，所述检测架顶部的中心处栓接有气缸，所述气缸的活塞杆贯穿至检测架的内腔并栓接有支撑板，所述支撑板的底部栓接有检测仪，所述检测架的左侧从上至下依次栓接有控制开关和加热器，所述加热器的出气口连通有连接管，所述连接管远离加热器的一端贯穿至检测架的内腔并连通有分流盒。通过加热器、连接管、分流盒和喷头的配合，便于使用者利用加热器将热量传递至多个喷头内，从而对绝缘子表面的水分进行快速烘干，避免绝缘子表面因为过于潮湿而沾染过多的灰尘，从而影响检测结果。
2、但现有技术还存在以下不足：
3、1、传统方法缺乏从多角度全面采集图像数据的方法，导致数据
4、2、传统方法面临训练数据量不足和样本多样性差的问题，限制了模型的泛化能力和识别准确性。
5、3、传统方法未能有效地利用智能算法进行全局优化，导致关键特征提取不足，影响了质量检测的准确性。
6、4、传统的特征降维方法和分类算法可能无法充分学习和区分复杂数据的特征，影响了分类效果。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种绝缘子质量检测方法，其目的在于解决
技术介绍
中提到的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种绝缘子质量检测方法，包括如下步骤：
3、采集绝缘子和密封圈的表面以及内部结构的高分辨率图像，对采集的绝缘子和密封圈的表面以及内部结构的高分辨率图像进行标注，标注的类别分为缺陷类别和正常类别，将标注类别为缺陷类别的图像设置为缺陷标注图；
4、对标注后的绝缘子和密封圈的表面以及内部结构的高分辨率图像进行数据扩充；
5、所述数据扩充是基于模态转换机制生成对抗网络进行，对绝缘子和密封圈的表面以及内部结构的高分辨率图像以及缺陷标注图之间进行转换，生成多样化训练图像，采用复合损失函数使生成的多样化训练图像在视觉上与真实图像无法区分；
6、构建改进特征提取模型，采用多样化训练图像对改进特征提取模型进行训练，得到训练好的改进特征提取模型；将多样化训练图像输入训练好的改进特征提取模型得到特征图；
7、所述改进特征提取模型采用基于气味散发模型的蚁群优化神经网络，由预处理层和多层卷积层组成，该神经网络利用蚁群算法的全局搜索能力，通过模拟蚂蚁寻找食物的路径选择机制，来优化网络权重，并在原蚁群算法中引入气味散发机制；
8、构建特征降维模型，采用特征图对特征降维模型进行训练，得到训练好的特征降维模型，采用训练好的特征降维模型对特征图进行降维处理，得到图像低维特征表示；
9、所述特征降维模型采用改进稀疏自编码神经网络，由自编码器和解码器组成，该神经网络在原神经网络上采用稀疏性约束，并通过参与度限制来进一步增强稀疏性约束；
10、构建分类器，采用图像低维特征表示对分类器进行对称正定式训练，得到训练好的分类器；所述分类器采用支持向量机；
11、将获取的新绝缘子和密封圈的表面以及内部结构的高分辨率图像输入训练好的改进特征提取模型得到特征图，将特征图输入训练好的特征降维模型，得到图像低维特征表示，将图像低维特征表示输入训练好的分类器中，训练好的分类器对图像低维特征的类别进行判断，完成绝缘子质量检测。
12、进一步的，所述模态转换机制生成对抗网络包括一个生成器和一个判别器，其中，表示从先验噪声分布中抽取的噪声向量，表示真实图像数据；在使用前采用绝缘子和密封圈的表面以及内部结构的高分辨率图像对生成器以及判别器进行预训练；
13、在预训练过程中，生成器的损失函数为：
14、；
15、在预训练过程中，判别器的损失函数为：
16、<msub><mi>l</mi><mi>d</mi></msub><mi>=</mi><mi>-</mi><mi>[log(d(</mi><msub><mi>b</mi><mi>x</mi></msub><mi>))+log(1</mi><mi>-</mi><mi>d(g(</mi><msub><mi>b</mi><mi>z</mi></msub><mi>)))]</mi>；
17、通过在预训练过程中最小化生成器的损失函数和判别器的损失函数来对生成器和判别器进行优化。
18、进一步的，所述生成多样化训练图像的具体过程为：通过最小化生成器生成的生成图像和目标图像之间的差异，差异通过复合损失函数进行衡量，具体过程为：采用模态转换机制学习真实图像数据和自身对应的模态即缺陷标注图之间的映射关系，设为模态转换机制，模态转换机制将真实图像数据转换为对应的真实模态，则模态转换机制的损失函数为：
19、；
20、式中，表示l2范数；为内容损失；所述模态转换机制采用基于神经网络的特征提取器进行表示，所述特征提取器的每一层接收多通道图像数据；内容损失的计算方式表示为：
21、；
22、式中，为特征提取器在第层的通道数；为特征提取器在第层的高度；为特征提取器在第层的宽度；表示生成图像；表示目标图像；表示在第层的特征提取输出；、、分别表示图像数据在r、g、b三个维度上的索引；
23、采用条件变量对对抗网络进行训练，训练过后得到条件生成器和条件判别器；条件生成器的损失函数为：
24、；
25、条件判别器的损失函数为：
26、<msub><mi>l</mi><mi>cd</mi></m本文档来自技高网...
【技术保护点】
1.一种绝缘子质量检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种绝缘子质量检测方法，其特征在于：所述模态转换机制生成对抗网络包括一个生成器和一个判别器，其中，表示从先验噪声分布中抽取的噪声向量，表示真实图像数据；在使用前采用绝缘子和密封圈的表面以及内部结构的高分辨率图像对生成器以及判别器进行预训练；
3.根据权利要求2所述的一种绝缘子质量检测方法，其特征在于：所述生成多样化训练图像的具体过程为：通过最小化生成器生成的生成图像和目标图像之间的差异，差异通过复合损失函数进行衡量，具体过程为：采用模态转换机制学习真实图像数据和自身对应的模态即缺陷标注图之间的映射关系，设为模态转换机制，模态转换机制将真实图像数据转换为对应的真实模态，则模态转换机制的损失函数为：
4.根据权利要求3所述的一种绝缘子质量检测方法，其特征在于：采用多样化训练图像对基于气味散发模型的蚁群优化神经网络进行训练的具体过程为：
5.根据权利要求4所述的一种绝缘子质量检测方法，其特征在于：采用特征图对改进稀疏自编码神经网络进行训练的过程为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。