基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识

实际自然场景下的覆冰监测系统中,受天气、光线、摄像头老化和角度等问题的影响,覆冰图像具有低分辨率化和多形态化的特性,如何找到具有强泛化能力的覆冰图像识别方法成为关注的热点。该文提出一种基于强泛化卷积神经网络(India buffet process-convolutional neural network,IBP-CNN)的输电线路覆冰厚度识别方法。该方法首先通过增强与消减算法确定滤波器数目及滤波器参数,以减少模型的冗余度,然后基于输出损失函数,利用反向传播算法调整层间连接权值,最后根据更新的模型参数和网络结构推算逐层输出,得到强泛化性的IBP-CNN网络。实际场景数据集测试结果表明,相比力学模型监测方法、图像边缘检测和浅层机器学习方法,IBP-CNN能够在不同分辨率和不同位置角度的覆冰图像场景下保持较高的辨识精度和速度,具有较强的自然场景泛化能力和工程实用价值。