一种基于卷积递归网络的绝缘子红外诊断方法

1.一种基于卷积递归网络的绝缘子红外诊断方法，其特征在于包括以下步骤：A、对绝缘子的红外图像进行分割；通过Turbopixiel超像素分割方法，合并相似区域；利用 颜色空间进行区域提取，选取平均亮度、凹凸度、中心距离三个特征量来描述区域属性； 颜色空间进行区域提取时，其分割阈值的确定步骤如下，将每个区域 内的颜色分量以其区域内的均值 替代，为了突出待分割的区域，修改标准的 值传统计算公式并进行归一化，得到的 值计算公式为，式中， 、 、 分别代表红、绿、蓝； 分别代表颜色空间的色调、饱和度、明度； 分别代表红、绿、蓝区域内的均值；分割阈值为： ； ； 或 ； ； ；故障区域，是结合三个特征量描述的函数 ,式为：式中， 为平均亮度，以归一化的区域内灰度的平均值表示， 为凹凸度，通过区域面积和该区域的最小凸边形的面积得到； 为中心距离，区域边缘到图像中心位置的最小值；B、对分割出的区域进行验证，以确定绝缘子故障区域；C、对故障区域进行识别，对绝缘子是否发生劣化以及劣化部位做出诊断信息。 2.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤B中，采用大律法对灰度图进行二值分割，查找包含故障区域的连通区，从最小外接矩形边缘出发设置停止条件，以确定绝缘子故障区域。 3.根据权利要求1所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：步骤C中，将特征提取后的样本图像依次经过卷积神经网络层，多层递归神经网络，最终全连接输出到一个softmax分类器中，对绝缘子的劣化与否及劣化部位做出诊断信息。 4.根据权利要求3所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：输入样本图像经过第一级卷积神经网络，将得到的特征输入到第二级的多层递归神经网络中，递归神经网络的层数由设置的参数决定，最终全连接输出到一个softmax分类器中；滤波器中，输入样本图像的尺寸转换为 ，滤波器的尺寸设为 ，滤波器的个数为 ，其预处理通过 均值聚类来无监督实现，随机选取样本中 个 的特征值，作为卷积神经网络层的卷积核使用； 均值需要调整的参数仅有聚类个数 ；当滤波器作为卷积神经网络层的卷积核使用时输入尺寸为 的样本经过卷积层之后得到的特征图的尺寸为 ，个数为 ，此时步长为 ；根据上述公式，如果输入的样本图像尺寸为 ，采样范围为 ，步长为 ，则采样后的特征图尺寸为 ；在经过第一级的卷积神经网络后的特征尺度为 ；多层递归神经网络层，即第二级网络，每一层中的所有特征向量一起连接组成下一层的特征，共享同一组权重，通过接受域的选择逐步降低特征维度；设滤波器的接受域为 ，每层的递归神经网络数量为 ， 是二维的权重矩阵，大小为 ；在接受域无重叠的情况下，一层递归神经网络之后每张特征图的维度降为 ，之后每层都将维度降低 倍，直到变为 ，最终每张样本图像输出的单层特征维度为 。 5.根据权利要求4所述的基于卷积递归网络的绝缘子红外诊断方法，其特征在于：在具体实现中，将待输入的图像归一化为 ，因此，简化特征图尺寸为 。