(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674765.X (22)申请日 2021.12.31 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 张磊　胡仕林　叶婧　熊致知　 张家瑞　黄悦华　薛田良　李振华　 杨楠　刘颂凯　徐雄军　肖繁　 程江洲　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 代理人 吴思高 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01)G06V 10/56(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/84(2022.01) G06V 10/70(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) G06N 5/04(2006.01) (54)发明名称 基于不确定性估计的绝 缘子破损识别方法 (57)摘要 基于不确定性估计的绝缘子破损识别方法， 通过数据增强扩充采集到的绝缘子破损图像作 为训练数据和测试数据； 首先由YOLOv5s模型定 位绝缘子区域； 然后根据定位框信息， 从巡检图 像中截取绝缘子区域， 采用DenseNet201模型对 截取的绝缘子区域进行进一步的缺陷分类； 根据 MC‑dropout方法， 在DenseNet201模型测试时， 前 向传播的过程中仍保留dropout操作， 得到多个 不同网络结构的输出， 其均值和方差即表示 DenseNet201模型的分类结果与不确定性。 本发 明方法在评估识别结果的不确定性方面， 相对传 统贝叶斯方法更加简单， 实时性高。 权利要求书2页 说明书7页 附图11页 CN 114359695 A 2022.04.15 CN 114359695 A 1.基于不确定性估计的绝 缘子破损识别方法， 其特 征在于包括以下步骤： 步骤1： 制作用于配电网绝 缘子破损检测的数据集， 并划分为训练数据和 测试数据； 步骤2： 将步骤1中绝 缘子破损检测的数据集用于 YOLOv5s网络进行训练； 步骤3： 根据定位框信息， 从数据集图像中截取绝缘子矩形区域， 并按照是否存在破损 故障进行分类存 储， 将截取的绝 缘子图像数据用于DenseNet 201网络进行训练； 步骤4： 将训练好的YOLOv5s和DenseNet201模型用于配电网绝缘子破损实时检测中， 先 通过YOLOv5s模型定位绝缘子区域； 然后根据定位框， 从巡检图像中截取绝缘子区域， 采用 DenseNet 201模型对绝 缘子是否破损进行进一 步的分类； 步骤5： 根据MC ‑dropout方法完成训练的D enseNet201模型， 在测试时， 前向传播的过程 中保留dropout操作， 在dropout的作用下通过随机关闭神经元能够得到多个不同网络结 构， 从而对同一个样本进行多次预测； 步骤6： 计算多次预测结果的均值表示DenseNet201模型的分类结果， 计算多次预测结 果的方差来表示分类结果的不确定性。 2.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法， 其特征在于:步骤 1中， 实验数据包含2000张配电网巡检无人机航拍图像， 并用Labelimg标注工具对绝缘子区 域用矩形框进行 人工标注， 保存为YOLO格式。 3.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法， 其特征在于： 步骤 2中， 采用轻量级的YOLOv5s模型， 权重文件大小27MB， 设置YOLOv5s网络训练参数： 批量大小 设置为64， 迭代次数设置为3 00， 初始学习速率设置为0.0 01， 衰减系数设置为0.0 005。 4.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法， 其特征在于： 步骤 3具体包括： 步骤3.1： 截取的绝缘子图像数据包含2000 张正常绝缘子和63 张破损绝缘子， 采用图片 翻转， 亮度调整和添加高斯噪声的数据增强方式合成图片增加破损绝缘子图像， 将破损绝 缘子图像扩充至80 0张； 步骤3.2： 设置D enseNet201网络训练参数： 批量大小设置为64， 迭代次数设置为100， 初 始学习速率设置为0.0 01， 衰减系数设置为0.0 05， dropout概 率为0.5。 5.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法， 其特征在于： 步骤 5中， 采用M C‑dropout方法， 获取DenseNet 201模型测试 结果的不确定性， 具体方案如下： 在训练时， 无需改变DenseNet201模型结构， 在测试时开启dropout， 通过随机关闭神经 元， 形成多个不同的网络结构； 具体通过在DenseNet201模 型的全连接层设置每一个神经元 的激活函数值以p＝0.5的概率变成0， 经过dr opout后每层的神经元数量变为原来的大约一 半， 在测试时开启dropout， 每次测试时神经网络结构都会不同， 通过这多个不同的网络结 构对同一个样本进行多次预测， 计算多次预测结果的平均值作为分类结果， 计算多次预测 的方差作为检测结果的不确定性。 6.根据权利要求1所述的基于不确定性估计的绝缘子破损识别方法， 其特征在于： 步骤 6中， 由公 式(1)计算多次预测结果的均值表 示DenseNet201模 型的分类结果， 分类结果为正 常绝缘子或破损绝缘子； 计算多次预测结果的方差来表示分类结果的不确定性； 方差表示 的不确定性具体由公式(2)计算， 由于数据分布为多峰时， 方差描述不确定性的能力较低， 进一步的采用信息熵计算 不确定性如公式(3)所示， 具体方案如下：权　利　要　求　书 1/2 页 2 CN 114359695 A 2DenseNet 201模型的预测结果如公式(1)所示， 方差如公式(2)所示； 式(1)中， E(y)表示T次预测 结果的均值， T为采样 次数， X为输入样本， 为网络给定 输入X在第t次预测时的输出； 式(2)中， Var(y)表示T次预测结果的方差； 由于数据分布为多峰时， 方差描述不确定性的能力较低， 进一步的采用信息熵来表示 不确定性， 如公式(3)所示； 式(3)中， H(p)表示结果的信息熵， 用来描 述不确定性度量， I为类别数， pi为抽样结果为 i时的概率分布， i＝0表示样本为正常绝缘子， i＝1表示样本为破损绝缘子， 缺陷分类结果 为概率最高的类别。权　利　要　求　书 2/2 页 3 CN 114359695 A 3