本發(fā)明涉及圖像分析
技術(shù)領(lǐng)域：
，特別是涉及一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法。
背景技術(shù)：
：絕緣子是輸電線路中極其重要且大量存在的部件，起到電氣絕緣及機(jī)械支撐作用；同時(shí)又是故障多發(fā)元件，需要對(duì)其進(jìn)行周期性的檢修。隨著熱紅外技術(shù)的進(jìn)步，利用紅外熱像儀的手段對(duì)絕緣子內(nèi)部缺陷進(jìn)行診斷已在實(shí)際工作中大量運(yùn)用。為了能在海量數(shù)據(jù)中利用智能手段實(shí)現(xiàn)絕緣子紅外圖像的自動(dòng)識(shí)別與診斷，首先必須構(gòu)建針對(duì)絕緣子的有效特征表達(dá)。圖像的特征表達(dá)是圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域的關(guān)鍵技術(shù)，其目的在于從圖像的原始像素中提取具有代表性，獨(dú)特性，具有區(qū)分度的表示。在目標(biāo)檢測(cè)，目標(biāo)追蹤，圖像分割，圖像分類等計(jì)算機(jī)視覺(jué)任務(wù)中圖像的特征表達(dá)是最基本前提，特征表達(dá)的好壞直接影響了最終的結(jié)果。長(zhǎng)期以來(lái)，如何獲取圖像更出色的特征表達(dá)是學(xué)者們研究的重點(diǎn)。為了解決各種計(jì)算機(jī)視覺(jué)任務(wù)，一大批基于手工設(shè)計(jì)的特征被相繼提出，從HOG(HistogramofOrientedGradient)，LBP(LocalBinaryPattern)，到基于局部不變特征點(diǎn)的Sift(Scale-invariantfeaturetransform)，SURF(SpeededUpRobustFeatures)及其一系列改良版本如BRISK(BinaryRobustInvariantScalableKeypoints)，F(xiàn)REAK(FastRetinaKeypoint)等，進(jìn)而到中層特征構(gòu)建如Bag-of-feature，F(xiàn)V(FisherVector)和VLAD(VectorofLocallyAggregatedDescriptors)等。這些特征往往為了某種特定任務(wù)而被設(shè)計(jì)，并適用于固定場(chǎng)景下。而這些現(xiàn)有的方法必須根據(jù)傳感器數(shù)據(jù)圖像的特點(diǎn)分別進(jìn)行特征手工設(shè)計(jì)，隨著應(yīng)用場(chǎng)景的改變?cè)O(shè)計(jì)模型也必須進(jìn)行相應(yīng)變化，極大增加了算法難度并且具有較弱的泛化性能。直接利用像素或人工特征對(duì)目標(biāo)進(jìn)行表達(dá)的，其精確性很難保證，而深度學(xué)習(xí)利用模擬視覺(jué)感知系統(tǒng)的層次結(jié)構(gòu)，建立含有豐富隱層結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型，通過(guò)大量的數(shù)據(jù)訓(xùn)練，能夠?qū)W習(xí)獲得有用的本質(zhì)特征。在圖像處理任務(wù)中，深度神經(jīng)網(wǎng)絡(luò)能夠有效的對(duì)圖像進(jìn)行高層次特征表達(dá)，相比于手工特征，能夠抽取更具有區(qū)分度的特征。近年來(lái)，層次更深，性能更優(yōu)的網(wǎng)絡(luò)模型被不斷提出，然而僅僅利用全連接層(Fully-ConnectedLayer,FCLayer)的特征缺失了大量的局部信息，具有較差的幾何不變性。由于紅外圖像成像機(jī)理的獨(dú)特性，直接利用DCNN(DeepConvolutionNeuralNetwork)模型提取的特征會(huì)降低泛化性能。因此為了滿足紅外圖像數(shù)據(jù)分析的需要，必須基于深度神經(jīng)元響應(yīng)模式，在深度網(wǎng)絡(luò)模型之上探索更優(yōu)異，更具有泛化性的深度特征表達(dá)方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，可提高絕緣子紅外圖像特征的魯棒性。為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，所述表達(dá)方法包括：步驟一：根據(jù)深度網(wǎng)絡(luò)對(duì)輸入圖像I進(jìn)行前向傳遞；步驟二：根據(jù)所述深度網(wǎng)絡(luò)構(gòu)建深度特征模型，獲得深度絕緣子紅外特征?？蛇x的，所述根據(jù)深度網(wǎng)絡(luò)對(duì)輸入圖像I進(jìn)行前向傳遞的方法包括：步驟11：對(duì)輸入的圖像提取表征深度特征的各層神經(jīng)元響應(yīng)F：F＝Φ(I)(1)，其中，Φ(·)為基于預(yù)訓(xùn)練網(wǎng)絡(luò)產(chǎn)生的深度網(wǎng)絡(luò)特征提取函數(shù)，F(xiàn)表示輸入圖像I后前向傳遞得到的各層神經(jīng)元響應(yīng)特征集合；步驟12：基于預(yù)訓(xùn)練的深度網(wǎng)絡(luò)參數(shù)，構(gòu)建深度特征增益層函數(shù)f(x)確定初級(jí)深度網(wǎng)絡(luò)：f(x)=c·xc≥1---(2),]]>其中，c為常數(shù)，x表示深度網(wǎng)絡(luò)神經(jīng)元響應(yīng)特征集合F中的中間層特征；步驟13：對(duì)所述初級(jí)深度網(wǎng)絡(luò)依次進(jìn)行權(quán)值壓縮及深度網(wǎng)絡(luò)剪枝，以得到改進(jìn)深度網(wǎng)絡(luò)。可選的，所述權(quán)值壓縮的方法包括：通過(guò)隨機(jī)丟失的方法對(duì)初級(jí)深度網(wǎng)絡(luò)中的深度網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)置零，以實(shí)現(xiàn)深度網(wǎng)絡(luò)中權(quán)值的壓縮?？蛇x的，所述深度網(wǎng)絡(luò)剪枝的方法包括：在權(quán)值壓縮后，通過(guò)節(jié)點(diǎn)相似度方法計(jì)算深度網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的相似度；利用Jaccard方法計(jì)算深度網(wǎng)絡(luò)分支相似度sim，如式(3)所示，其中分支ci與cj的相似度閾值設(shè)為80％，sim(ci,cj)=ci∩cjci∪cj---(3);]]>根據(jù)各個(gè)節(jié)點(diǎn)的相似度將相近相似度的節(jié)點(diǎn)進(jìn)行合并，減少網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)，實(shí)現(xiàn)深度網(wǎng)絡(luò)剪枝?？蛇x的，所述獲得深度絕緣子紅外特征的方法包括：步驟21：根據(jù)以下公式在所述深度網(wǎng)絡(luò)中提取中層特征θ(xi)=xi,ifxi>00,ifxi<0---(4),]]>Fjl=θ(Σi=1Ml-1Fil-1*Wijl+bjl)---(5),]]>其中，為F其中一特征圖，l表示卷積層數(shù)，表示第l層卷積陣列中第i行第j列的卷積核，其中i＝1,...,l，j＝1,...,l，表示第j列卷積的偏差，Ml-1表示第l層卷積陣列的卷積核數(shù)量，xi表示第i行卷積對(duì)應(yīng)的深度網(wǎng)絡(luò)特征值，θ(·)表示激活函數(shù)；步驟22：從對(duì)應(yīng)的圖像中提取的第l層中層深度特征其可以看作為大小h×w×d三維張量組合S，其中S＝{s1,...,si,...,sn}，n＝1,...,d，sn為大小為h×w的深度特征圖，從S中抽取si；步驟23：計(jì)算各所述深度特征圖si的重要度；步驟24：按照重要度從高到低的順序，將同一層的各所述深度特征圖進(jìn)行排序，獲得重要度排名；步驟25：基于所述重要度排名，對(duì)特征圖進(jìn)行選擇，得到深度特征描述子；步驟26：根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征。可選的，所述計(jì)算所述深度特征圖的重要度的方法包括：步驟231：將深度特征圖的元素規(guī)范化到0～255整型范圍內(nèi)；步驟232：根據(jù)公式(6)計(jì)算規(guī)范化的深度特征圖的圖像熵H(si)：H(si)=-Σn=0255pnlog2(pn)---(6),]]>其中，pn表示灰度值n的像素出現(xiàn)的概率；步驟233：根據(jù)公式(7)計(jì)算特征圖的標(biāo)準(zhǔn)差σ(si)：σ(Si)=1NΣi=1N(Oi-μ)2---(7),]]>其中，N為元素總數(shù)，Oi為第i像素灰度值，μ為均值；步驟234：根據(jù)公式(8)確定特征圖si的重要度K(si)：K(si)=H(si)+λσ(si)---(8),]]>其中，λ表示平衡圖像熵H(si)和標(biāo)準(zhǔn)差σ(si)的經(jīng)驗(yàn)值?？蛇x的，所述對(duì)特征圖進(jìn)行選擇的方法包括：對(duì)所述重要度排名的前50％的特征圖進(jìn)行保留，后50％置零。可選的，所述根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征的方法包括：步驟261：通過(guò)聚類方法訓(xùn)練得到碼本Cl＝{c1,c2,...,ck}，其中，該碼本為k×D矩陣，由k個(gè)D維的碼字構(gòu)成；步驟262：根據(jù)公式(9)，對(duì)每一個(gè)深度特征描述子yn與所述描述子最近的碼字進(jìn)行分配，其中深度特征描述子組合為Y＝(y1,y2,...,yn)：c(yn)=argmincid|ci,yn|---(9),]]>其中，i＝1,2,...,k；步驟263：根據(jù)公式(10)，計(jì)算深度特征描述子yn與對(duì)應(yīng)碼字ci之間的殘差vil=Σs.t.NN(y)=ciyn-ci---(10);]]>步驟264：對(duì)所述殘差進(jìn)行拼接得到深度絕緣子紅外特征的表達(dá)ωl(I)：ωl(I)=[v1l,...,vkl]---(11).]]>根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開(kāi)了以下技術(shù)效果：本發(fā)明基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法根據(jù)輸入的圖像挖掘出深度神經(jīng)元的響應(yīng)模式，改進(jìn)深度網(wǎng)絡(luò)，構(gòu)建深度特征模型，從而確定絕緣子紅外特征，提高絕緣子紅外圖像特征的魯棒性。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法的流程圖；圖2a為本發(fā)明實(shí)施例一的輸入的絕緣子紅外圖像；圖2b為圖2a的深度卷積網(wǎng)絡(luò)神經(jīng)元響應(yīng)模式的可視化結(jié)果圖；圖3a為本發(fā)明實(shí)施例二的輸入的絕緣子紅外圖像；圖3b為圖3a的深度特征的可視化結(jié)果圖；圖4a為本發(fā)明實(shí)施例三的輸入的絕緣子紅外圖像圖；圖4b為圖4a的深度特征的可視化結(jié)果圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明的目的是提供一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法，根據(jù)輸入的圖像挖掘出深度神經(jīng)元的響應(yīng)模式，采用基于信息論的重要性計(jì)算排序，改進(jìn)深度網(wǎng)絡(luò)，構(gòu)建深度特征模型，從而確定絕緣子紅外特征，提高絕緣子紅外圖像特征的魯棒性。為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。如圖1所示，本發(fā)明一種基于深度神經(jīng)元響應(yīng)模式的絕緣子紅外圖像特征表達(dá)方法包括：步驟100：根據(jù)深度網(wǎng)絡(luò)對(duì)輸入圖像I進(jìn)行前向傳遞；步驟200：根據(jù)所述深度網(wǎng)絡(luò)構(gòu)建深度特征模型，獲得深度絕緣子紅外特征。其中，在步驟100中，所述根據(jù)深度網(wǎng)絡(luò)對(duì)輸入圖像I進(jìn)行前向傳遞的方法包括：步驟11：對(duì)輸入的圖像提取表征深度特征的各層神經(jīng)元響應(yīng)F：F＝Φ(I)(1)，其中，Φ(·)為基于預(yù)訓(xùn)練網(wǎng)絡(luò)產(chǎn)生的深度網(wǎng)絡(luò)特征提取函數(shù)，F(xiàn)表示輸入圖像I后前向傳遞得到的各層神經(jīng)元響應(yīng)特征集合；步驟12：基于預(yù)訓(xùn)練的深度網(wǎng)絡(luò)參數(shù)，構(gòu)建深度特征增益層函數(shù)f(x)確定初級(jí)深度網(wǎng)絡(luò)：f(x)=c·xc≥1---(2),]]>其中，c為常數(shù)，x表示深度網(wǎng)絡(luò)神經(jīng)元響應(yīng)特征集合F中的中間層特征；步驟13：對(duì)所述初級(jí)深度網(wǎng)絡(luò)依次進(jìn)行權(quán)值壓縮及深度網(wǎng)絡(luò)剪枝，以得到改進(jìn)深度網(wǎng)絡(luò)。進(jìn)一步地，在步驟13中，所述權(quán)值壓縮的方法包括：通過(guò)隨機(jī)丟失的方法對(duì)初級(jí)深度網(wǎng)絡(luò)中的深度網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)置零，以實(shí)現(xiàn)深度網(wǎng)絡(luò)中權(quán)值的壓縮。所述深度網(wǎng)絡(luò)剪枝的方法包括：在權(quán)值壓縮后，通過(guò)節(jié)點(diǎn)相似度方法計(jì)算深度網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的相似度；利用Jaccard方法計(jì)算深度網(wǎng)絡(luò)分支相似度sim，如式(3)所示，其中分支ci與cj的相似度閾值設(shè)為80％，sim(ci,cj)=ci∩cjci∪cj---(3);]]>根據(jù)各個(gè)節(jié)點(diǎn)的相似度將相近相似度的節(jié)點(diǎn)進(jìn)行合并，減少網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)，實(shí)現(xiàn)深度網(wǎng)絡(luò)剪枝。在步驟200中，所述獲得深度絕緣子紅外特征的方法包括：步驟21：根據(jù)以下公式在所述深度網(wǎng)絡(luò)中提取中層特征θ(xi)=xi,ifxi>00,ifxi<0---(4),]]>Fjl=θ(Σi=1Ml-1Fil-1*Wijl+bjl)---(5),]]>其中，為F其中一特征圖，l表示卷積層數(shù)，表示第l層卷積陣列中第i行第j列的卷積核，其中i＝1,...,l，j＝1,...,l，表示第j列卷積的偏差，Ml-1表示第l層卷積陣列的卷積核數(shù)量，xi表示第i行卷積對(duì)應(yīng)的深度網(wǎng)絡(luò)特征值，θ(·)表示激活函數(shù)；步驟22：從對(duì)應(yīng)的圖像中提取的第l層中層深度特征其可以看作為大小h×w×d三維張量組合S，其中S＝{s1,...,si,...,sn}，n＝1,...,d，sn為大小為h×w的深度特征圖，從S中抽取si；步驟23：計(jì)算各所述深度特征圖si的重要度；步驟24：按照重要度從高到低的順序，將同一層的各所述深度特征圖進(jìn)行排序，獲得重要度排名；步驟25：基于所述重要度排名，對(duì)特征圖進(jìn)行選擇，得到深度特征描述子；步驟26：根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征。其中，步驟23中，所述計(jì)算所述深度特征圖的重要度的方法包括：步驟231：將深度特征圖的元素規(guī)范化到0～255整型范圍內(nèi)；步驟232：根據(jù)公式(6)計(jì)算規(guī)范化的深度特征圖的圖像熵H(si)：H(si)=-Σn=0255pnlog2(pn)---(6),]]>其中，pn表示灰度值n的像素出現(xiàn)的概率；步驟233：根據(jù)公式(7)計(jì)算特征圖的標(biāo)準(zhǔn)差σ(si)：σ(Si)=1NΣi=1N(Oi-μ)2---(7),]]>其中，N為元素總數(shù)，Oi為第i像素灰度值，μ為均值；步驟234：根據(jù)公式(8)確定特征圖si的重要度K(si)：K(si)=H(si)+λσ(si)---(8),]]>其中，λ表示平衡圖像熵H(si)和標(biāo)準(zhǔn)差σ(si)的經(jīng)驗(yàn)值。其中，步驟25中，所述對(duì)特征圖進(jìn)行選擇的方法包括：對(duì)所述重要度排名的前50％的特征圖進(jìn)行保留，后50％置零。在步驟26中，所述根據(jù)所述深度特征描述子進(jìn)行深度特征編碼得到深度絕緣子紅外特征的方法包括：步驟261：通過(guò)聚類方法訓(xùn)練得到碼本Cl＝{c1,c2,...,ck}，其中，該碼本為k×D矩陣，由k個(gè)D維的碼字構(gòu)成；步驟262：根據(jù)公式(9)，對(duì)每一個(gè)深度特征描述子yn與所述描述子最近的碼字進(jìn)行分配，其中深度特征描述子組合為Y＝(y1,y2,...,yn)：c(yn)=argmincid|ci,yn|---(9),]]>其中，i＝1,2,...,k；步驟263：根據(jù)公式(10)，計(jì)算深度特征描述子yn與對(duì)應(yīng)碼字ci之間的殘差vil=Σs.t.NN(y)=ciyn-ci---(10);]]>步驟264：對(duì)所述殘差進(jìn)行拼接得到深度絕緣子紅外特征的表達(dá)ωl(I)：ωl(I)=[v1l,...,vkl]---(11).]]>本發(fā)明首先從深度神經(jīng)網(wǎng)絡(luò)獲得深度神經(jīng)元響應(yīng)，然后采用基于信息論的重要性計(jì)算排名，挖掘出深度神經(jīng)元的響應(yīng)模式，改進(jìn)深度網(wǎng)絡(luò)模型，從而構(gòu)建絕緣子紅外特征；解決了處理紅外圖像特征魯棒性差的問(wèn)題；該發(fā)明切實(shí)可行，對(duì)相關(guān)問(wèn)題的方案設(shè)計(jì)有一定的借鑒意義。下面以具體實(shí)施例，進(jìn)行詳細(xì)介紹：本實(shí)施例中，首先采用基于預(yù)訓(xùn)練的深度模型對(duì)輸入圖像進(jìn)行特征提取，原始圖像如圖2a所示，初級(jí)深度網(wǎng)絡(luò)模型為VGG-16，深度卷積網(wǎng)絡(luò)神經(jīng)元響應(yīng)模式下可視化結(jié)果如圖2b所示。利用改進(jìn)的深度網(wǎng)絡(luò)對(duì)絕緣子紅外圖像進(jìn)行深度特征表達(dá)，其中初級(jí)深度網(wǎng)絡(luò)模型為VGG-16，特征增益層位于第5層與第6層之間，n＝6，增益常量c＝5。輸入圖像分別如3a、4a所示，然后從利用特征圖重要度排序?qū)μ卣鲌D進(jìn)行選擇，其中λ＝0.01；再根據(jù)選擇結(jié)果提取深度特征描述子；最后利用碼本對(duì)深度特征進(jìn)行量化、編碼，從而得到深度絕緣子紅外圖像特征表達(dá)。得到深度特征，其可視化結(jié)果分別如圖3b、4b所示。從結(jié)果發(fā)現(xiàn)，本發(fā)明可以有效地挖掘出紅外圖像中基于深度網(wǎng)絡(luò)的特征表達(dá)。本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處。綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。當(dāng)前第1頁(yè)1 2 3