本发明提供一种基于深度学习的绝缘子电晕放电状态评估方法，在预定探测距离位置处，通过紫外成像仪探测得到不同的绝缘子放电强度所对应探测的紫外光子数的关系曲线；以绝缘子放电目标源等效为点光源，利用结合Allard原理，拟合出探测距离、光子数以及放电强度的关系；采用卷积神经网络深度学习模型进行训练，建立基于可见光的电晕放电探测距离分类模型；在进行实际绝缘子电晕放电状态评估时，采用双路紫外成像仪，基于探测距离模型获得实际探测距离，同时获得对应的紫外光子数，再通过换算到标准探测距离下的紫外光子数，对照放电强度与光子数的关系曲线评估绝缘子电晕放电状态。
1.一种基于深度学习的绝缘子电晕放电状态评估方法，其特征在于，包括以下步骤：步骤1、在预定探测距离D位置处，通过紫外成像仪在该位置处探测电晕放电现象，得到不同的绝缘子放电强度所对应探测的紫外光子数的关系曲线，其中D大于等于3m；
步骤2、基于电晕放电时不同绝缘子高压所对应探测的紫外光子数，以绝缘子放电目标源等效为点光源，结合Allard原理拟合出探测距离、光子数以及放电强度的关系；
步骤3、通过改变不同的成像角度以及绝缘子不同的放置状态，采集不同探测距离下的电晕放电现象的可见光图像，构成训练数据集，并以训练数据集为输入特征，采用卷积神经网络深度学习模型进行训练，建立基于可见光的电晕放电探测距离分类模型；
步骤4、在进行实际绝缘子电晕放电状态评估时，采用双路紫外成像仪成像，双路紫外成像仪的第一路探测通道为紫外探测与成像通道，第二路探测通道为可见光探测与成像通道；其中，通过第二路探测通道探测绝缘子处的可见光图像信息，输入到所述步骤3的电晕放电探测距离分类模型，输出得到双路紫外成像仪与绝缘子之间的实际探测距离；通过第一路探测通道获得绝缘子处发生电晕时的探测紫外光子数；
步骤5、基于双路紫外成像仪与绝缘子之间的实际探测距离以及绝缘子处发生电晕时的探测紫外光子数，根据步骤2确定的关系获取在所述预定探测距离D处对应的紫外光子数；
步骤6、基于步骤5所获得的紫外光子数与所述步骤1的不同的绝缘子放电强度与紫外光子数的关系曲线，评估绝缘子电晕放电状态；
其中，在所述步骤2中，在探测距离大于3m的前提下，以绝缘子放电目标源等效为点光源，根据Allard定律，得出以下关系式： （1）式中，E表示到达成像仪的信号强度，以紫光光子数表征，R代表绝缘子放电强度，d代表探测距离，m为幂指数；
通过对绝缘子不同的放电强度与紫外光子数的关系曲线进行拟合，得出在不同放电强度下，探测距离与光子数的关系：
（2）pc表示通过探测获得的紫外光子数，随着电压的升高，R随之升高；
幂指数m，以所确定的不同放电强度下的具体数据值的均值确定，并且由绝缘子评估处的环境因素唯一确定该环境下的幂指数；
由此，获得通过公式（2）表征放电强度、探测距离和探测光子数三者关系在所述步骤5中，通过步骤4所获取到双路紫外成像仪与绝缘子之间的探测距离设定为d0，绝缘子处发生电晕时通过双路紫外成像仪实际探测紫外光子数设定为Pc0，则根据所述公式（1）、（2）计算如下：
Pc0=Rd0 （3）则，在前述预定探测距离D位置处的紫外光子数获取如下：‑m
Pc1=Rd1 （4）其中，Pc1表示在预定探测距离D位置处的紫外光子数，d1=D；
将上述公式（3）和（4）的等式两侧作比，则可获得在预定探测距离D位置处的紫外光子数Pc1。
2.根据权利要求1所述的基于深度学习的绝缘子电晕放电状态评估方法，其特征在于， 在所述步骤1中，具体处理过程包括：首先，设定一个预定探测距离，通过改变加载在绝缘子两端的电压，得出成像仪所采集的紫外光子数与电压的关系曲线，当所加电压大于40kV时，绝缘子开始产生电晕放电，当所加电压高于60kV时，电晕放电剧烈，判定绝缘子处于危险放电状态；
然后，固定绝缘子路段的电压为60kV，从探测距离为3m开始测量，以1m作为设定的步长逐渐增加，探测紫外光子数，到18m为止；
其中，探测过程中，使用双路紫外成像仪录制视频，取多帧图像中紫外光子计数的平均值，得出在60kV高压下，探测到的紫外光子数与探测距离的曲线；并且，通过改变绝缘子路段的加载电压，重复上述探测过程，得出在多个电压强度下，探测的紫外光子数与探测距离的关系曲线。
3.根据权利要求1所述的基于深度学习的绝缘子电晕放电状态评估方法，其特征在于，所述的预定探测距离D为5m。
4.根据权利要求1所述的基于深度学习的绝缘子电晕放电状态评估方法，其特征在于，所述步骤3中的具体实现包括：
步骤3‑1、通过改变不同的成像角度以及绝缘子不同的放置状态，在每个探测距离下，采集绝缘子可见光图像250幅，然后制作成16个类别4000幅图像的绝缘子数据集，再根据卷积神经网络深度学习模型的训练尺寸要求将图像裁剪成预定的尺寸，取10%作为测试集，
步骤3‑2、确定卷积神经网络深度学习模型的训练参数，即Iteration，epoch以及batch size，然后基于绝缘子数据集中的训练集进行模型训练，并利用测试集进行模型准确性评估，如果准确性未达到预设值，则调整训练参数继续训练，直到模型准确性达到设定的预设值，由此得到基于可见光的电晕放电探测距离分类模型。
5.根据权利要求4所述的基于深度学习的绝缘子电晕放电状态评估方法，其特征在于，所述步骤3‑2的训练过程包括：
基于卷积神经网络深度学习模型网络中包含的8个带权重的层，其中包含5层卷积层C1‑C5以及2层全连接层FC6‑FC7、输出层FC8，在C1、C2和C5后面加入了最大值池化层，在卷积层中采用ReLU型激活函数，在最后一个全连接层后采用Softmax型损失函数分类器；
网络在前向计算时，每层网络的处理流程如下：卷积层C1：
卷积，输入数据为227×227×3，使用96个大小为11×11的卷积核，卷积层输出为55×
55×96；其中227×227×3为裁剪后的图像尺寸；
ReLU，将卷积层输出的数据输入到ReLU函数中；
最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为27×27×96；
卷积，输入数据为27×27×96，使用256个大小5×5的卷积核，并做边缘填充padding=
最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为13×13×256；
卷积，输入数据为13×13×256，使用384个大小为3×3的卷积核，并做边缘填充padding=1，卷积步长为1，则数据输出为13×13×384；
ReLU，将卷积层输出的数据输入到ReLU函数中；
卷积层C4：该层操作与C3相同，输出也为13×13×384；
卷积，输入数据为13×13×384，使用256个大小为3×3的卷积核，做边缘填充padding=
1，卷积步长为1，则数据输出为13×13×256；
ReLU，将卷积层输出的数据输入到ReLU函数中；
最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为6×
卷积→全连接，数据输入为6×6×256，使用4096个大小为6×6的卷积核，由于卷积核尺寸与输入数据尺寸相同，即卷积核中的每个系数只与输入数据的一个像素值相乘，一一对应，因此作为全连接层；由于卷积核和数据输入的尺寸相同，卷积运算后只有一个值，因此，卷积后的输出为4096×1×1，即有4096个神经元；
ReLU，将4096个神经元通过ReLU激活函数生成4096个值；
全连接层FC7：该层操作与FC6相似，同样经过ReLU激活函数生成了4096个值；
FC7输出的4096个数据与FC8的16个神经元进行全连接，经过训练后输出16个float值，作为预测的分类分数；
得出前向计算的预测的分类分数后，采用反向传播算法，通过对Softmax损失函数的导数逐渐递推，得出输出层的响应误差，通过响应误差调整网络参数，完成一次训练iteration。
6.根据权利要求4所述的基于深度学习的绝缘子电晕放电状态评估方法，其特征在于，所述步骤3‑2的模型训练过程中，设定模型参数为：Iteration=10000，epoch=40，batch size=16。
基于深度学习的绝缘子电晕放电状态评估方法
技术领域
[0001] 本发明涉及图像处理技术领域，尤其是绝缘子电晕放电状态评估应用，具体而言涉及一种基于深度学习的绝缘子电晕放电状态评估方法。
背景技术
[0002] 复合绝缘子由于其良好的憎水性和憎水迁移性在输电线路上得到了广泛应用, 由于环境恶化、天气破坏、输变电设备绝缘设备长期暴露于各种不同的复杂环境中，当绝缘
体局部电压超过临界电压时会使空气游离而产生电晕放电，电晕放电会造成复合绝缘子老
化加剧而丧失性能。电晕的实时、在线监测，是保障电力系统有序、安全运行的关键问题。
[0003] 在电力系统的运维过程中，电晕监测的主要方法包括泄露电流检测、电晕脉冲检测、模拟电荷检测、光谱检测、放电声响法、绝缘电阻法以及盐分附着量测定法等，其检测方
法中模拟成分比较高，对测定结果的差异性难以保障。
[0004] 现有技术文献：
[0005] 专利文献1：CN112379225A 电力设备电晕识别和评估报警系统及其使用方法。
[0006] 专利文献2：CN112363029A 一种设备电晕放电在线监测系统及其监测方法。
发明内容
[0007] 本发明目的在于提供一种基于深度学习的绝缘子电晕放电状态评估方法，包括以下步骤：
[0008] 步骤1、在预定探测距离D位置处，通过紫外成像仪在该位置处探测电晕放电现象，得到不同的绝缘子放电强度所对应探测的紫外光子数的关系曲线，其中D大于等于3m；
[0009] 步骤2、基于电晕放电时不同绝缘子高压所对应探测的紫外光子数，以绝缘子放电目标源等效为点光源，结合Allard原理拟合出探测距离、光子数以及放电强度的关系；
[0010] 步骤3、通过改变不同的成像角度以及绝缘子不同的放置状态，采集不同探测距离下的电晕放电现象的可见光图像，构成训练数据集，并以训练数据集为输入特征，采用卷积
神经网络深度学习模型进行训练，建立基于可见光的电晕放电探测距离分类模型；
[0011] 步骤4、在进行实际绝缘子电晕放电状态评估时，采用双路紫外成像仪成像，双路紫外成像仪的第一路探测通道为紫外探测与成像通道，第二路探测通道为可见光探测与成
像通道；其中，通过第一路探测通道探测绝缘子处的可见光图像信息，输入到所述步骤3的
电晕放电探测距离分类模型，输出得到双路紫外成像仪与绝缘子之间的探测距离；通过第
二路探测通道获得绝缘子处发生电晕时的探测紫外光子数；
[0012] 步骤5、基于双路紫外成像仪与绝缘子之间的探测距离以及绝缘子处发生电晕时的探测紫外光子数，根据步骤2确定的关系获取在所述探测距离D处对应的紫外光子数；以
及
[0013] 步骤6、基于步骤5所获得的紫外光子数与所述步骤1的不同的绝缘子放电强度与紫外光子数的关系曲线，评估绝缘子电晕放电状态。
[0014] 进一步优选地，在所述步骤1中，具体处理过程包括：
[0015] 首先，设定探测距离，通过改变加载在绝缘子两端的电压，得出成像仪所采集的紫外光子数与电压的关系曲线，通过分析确定，当所加电压大于40kV时，绝缘子开始产生电晕
放电，当所加电压高于60kV时，电晕放电剧烈，判定绝缘子处于危险放电状态；
[0016] 然后，固定绝缘子的电压为60kV，从探测距离为3m开始测量，以1m为设定的步长逐渐增加，探测紫外光子数，到18m为止；
[0017] 其中，探测过程中，使用双路紫外成像仪录制视频，取多帧图像中紫外光子计数的平均值，得出在60kV高压下，探测到的紫外光子数与探测距离的曲线；并且，改变绝缘子的
加载电压，重复上述的过程，得出在多个电压强度下，探测的紫外光子数与探测距离的关系
曲线。
[0018] 进一步优选地，在所述步骤2中，在探测距离大于3m的前提下，以绝缘子放电目标源等效为点光源，根据Allard定律，得出以下关系式：
[0019] （1）
[0020] 式中，E表示到达成像仪的信号强度，以紫光光子数表征，R代表绝缘子放电强度，d代表探测距离，m为幂指数；
[0021] 通过对不同绝缘子放电强度与紫外光子数的关系曲线进行拟合，得出在不同放电强度下，探测距离与光子数的关系：
[0022] （2）
[0023] pc表示通过探测获得的紫外光子数，随着电压的升高，R随之升高；
[0024] 幂指数m，以所确定的不同放电强度下的具体数据值的均值确定，并且由绝缘子评估处的环境因素唯一确定该环境下的幂指数；
[0025] 由此，获得通过公式（2）表征放电强度、探测距离和探测光子数三者关系。
[0026] 进一步优选地，在所述步骤5中，通过步骤4所获取到双路紫外成像仪与绝缘子之间的探测距离设定为d0，绝缘子处发生电晕时通过双路紫外成像仪实际探测紫外光子数设
定为Pc0，则根据所述公式（1）、（2）计算如下：
[0027] Pc0=Rd0‑m （3）
[0028] 则，在前述预定探测距离D位置处的紫外光子数获取如下：
[0029] Pc1=Rd1‑m （4）
[0030] 其中，Pc1表示在预定探测距离D位置处的紫外光子数，d1=D；
[0031] 将上述公式（3）和（4）的等式两侧作比，则可获得在预定探测距离D位置处的紫外光子数Pc1。
[0032] 优选地，所述步骤3中的具体实现包括：
[0033] 步骤3‑1、通过改变不同的成像角度以及绝缘子不同的放置状态，在每个探测距离下，采集绝缘子可见光图像250幅，然后制作成16个类别4000幅图像的绝缘子数据集，再根
据卷积神经网络深度学习模型（CNN）的训练尺寸要求将图像裁剪成预定的尺寸，取10%作为
测试集，90%作为训练集；
[0034] 步骤3‑2、确定卷积神经网络深度学习模型的训练参数，即Iteration，epoch以及batch size，然后基于绝缘子数据集中的训练集进行模型训练，并利用测试集进行模型准
确性评估，如果准确性未达到预设值，则调整训练参数继续训练，直到模型准确性达到设定
的预设值，由此得到基于可见光的电晕放电探测距离分类模型。
[0035] 与可见光、红外探测系统相比，本发明采用的紫外探测与可见光融合探测绝缘子放电电晕现场，实现对绝缘子放电电晕的在线、实时的监控与检测。紫外探测系统可以在良
好的背景下工作，虚警率低，能更准确有效地对特定目标进行监视、跟踪和识别；而且紫外
探测系统工作波长较短，光学衍射效应小，加上探测器对热特性不敏感，无须低温冷却和扫
描，使得系统重量轻，体积小，结构大大简化，同时也降低了成本。
[0036] 在本发明的实现过程中，由于电晕放电的过程中，空气被强电场电离后，会在电离区产生气体发光现象。电晕放电的紫外光谱段主要集中在300 400nm的紫外线区域和230
~ ~
280nm的日盲区域。由于太阳光中小于280nm的紫外辐射在经过大气层的时候，会被臭氧层
所吸收，因此低于280nm的波长区间称为“日盲区”。在地表附近检测日盲区的紫外辐射不会
受到太阳光的干扰，所以具有较高的探测率与灵敏度，结合紫外图像可分辨能力差，我们结
合可见光波段的探测作为背景参考。
[0037] 与现有技术相比，本发明的技术方案，其显著的有益效果在于：
[0038] 一方面，针对绝缘子紫外电晕的探测，可在多个预定探测距离位置处，通过紫外成像仪探测电晕放电现象，得到不同的绝缘子放电强度所对应探测的紫外光子数的关系曲
线；进一步基于电晕放电时不同绝缘子高压所对应探测的紫外光子数，以绝缘子放电目标
源等效为点光源，利用结合Allard原理，拟合出探测距离、光子数以及放电强度的关系；从
而在实际检测时可基于距离进行补偿和计算，得到标准探测距离下的紫外光子数，与对应
距离下的关系曲线比对，进行放电风险评估；
[0039] 另一方面，紫外探测对图像可分辨能力差的缺陷，利用可见光作为距离探测，结合双光路紫外成像仪的优势，同时获得成像仪与绝缘的探测距离以及紫外光子的探测值（计
数），在此基础上利用标准探测距离的换算，从而获得实际电晕放电现象下的紫外光子计数
值，实现对绝缘子的放电状态的监控与检测。
[0040] 应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保
护的主题的所有组合都被视为本公开的发明主题的一部分。
[0041] 结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面
的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
[0042] 附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。
现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
[0043] 图1是本发明所使用的紫外成像仪的示意图。
[0044] 图2是电晕放电双光谱图像示意图。
[0045] 图3是探测距离5m下，绝缘子放电强度与紫外光子数的关系曲线示意图。
[0046] 图4是不同放电强度下，探测距离与紫外光子数的关系曲线示意图。
[0047] 图5是60kV下，探测距离与光子数的曲线拟合结果示意图。
[0048] 图6是绝缘子探测距离数据集样本示意图。
[0049] 图7是本发明采用的深度网络结构示意图。
[0050] 图8是不同梯度优化算法的准确率示意图。
[0051] 图9是对绝缘子放电状态评估的效果图。
具体实施方式
[0052] 为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0053] 在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实
施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实
施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一
些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0054] 根据本发明公开的实施例的一种基于深度学习的绝缘子电晕放电状态评估方法包括以下步骤：
[0055] 步骤1、在预定探测距离D位置处，通过紫外成像仪在该位置处探测电晕放电现象，得到不同的绝缘子放电强度所对应探测的紫外光子数的关系曲线，其中D大于等于3m；
[0056] 步骤2、基于电晕放电时不同绝缘子高压所对应探测的紫外光子数，以绝缘子放电目标源等效为点光源，结合Allard原理拟合出探测距离、光子数以及放电强度的关系；
[0057] 步骤3、通过改变不同的成像角度以及绝缘子不同的放置状态，采集不同探测距离下的电晕放电现象的可见光图像，构成训练数据集，并以训练数据集为输入特征，采用卷积
神经网络深度学习模型进行训练，建立基于可见光的电晕放电探测距离分类模型；
[0058] 步骤4、在进行实际绝缘子电晕放电状态评估时，采用双路紫外成像仪成像，双路紫外成像仪的第一路探测通道为紫外探测与成像通道，第二路探测通道为可见光探测与成
像通道；其中，通过第一路探测通道探测绝缘子处的可见光图像信息，输入到所述步骤3的
电晕放电探测距离分类模型，输出得到双路紫外成像仪与绝缘子之间的探测距离；通过第
二路探测通道获得绝缘子处发生电晕时的探测紫外光子数；
[0059] 步骤5、基于双路紫外成像仪与绝缘子之间的探测距离以及绝缘子处发生电晕时的探测紫外光子数，根据步骤2确定的关系获取在所述探测距离D处对应的紫外光子数；以
及
[0060] 步骤6、基于步骤5所获得的紫外光子数与所述步骤1的不同的绝缘子放电强度与紫外光子数的关系曲线，评估绝缘子电晕放电状态。
[0061] 下面结合附图进一步阐述以上各个方面的示例性实现。
[0062] 在步骤1中，通过对绝缘子所加的不同高压条件，通过成像仪所采集的紫外光子书，完成对绝缘子放电过程的分析，然后通过对不同探测距离的绝缘子放电试验，得出在不
同的绝缘子高压下，探测距离与成像仪光子数的关系曲线。
[0063] 在可选的实施例中，探测和试验过程可采用双路紫外成像仪实现，例如北方夜视技术股份有限公司的紫外可见光双通道成像仪，紫外通道探测波段200 280nm，紫外/可见
~
光叠加精度优于1mrad，可见光最小照度0.1Lux，聚焦距离3m ∞，存储容量32GB，按键控制，
~
工作时间>4.5小时。
[0064] 图2为双路紫外成像仪所采集的电晕放电图像示例图。
[0065] 在具体的实现过程中，步骤1的处理过程包括：
[0066] 首先，设定探测距离，本发明的实施例中，以5m为例进行说明，通过改变加载在绝缘子两端的电压，得出成像仪所采集的紫外光子数与电压的关系曲线，如图3所示，通过分
析确定，当所加电压大于40kV时，光子数产生突变，此时绝缘子开始产生电晕放电，当所加
电压高于60kV时，光子数产生第二次突变，此时电晕放电剧烈，此时认为绝缘子处于危险放
电状态；
[0067] 然后，固定绝缘子的电压为60kV，由于高压绝缘子有一定危险，不能近距离探测，所以本实验从3m开始测量，以1m为步长，碍于实验室场地大小，到18m为止。
[0068] 探测过程，使用双路紫外成像仪录制视频，取多帧图像中紫外光子计数的平均值，得出在60kV高压下，成像仪的光子数与探测距离的曲线，改变绝缘子的高压，重复上述的实
验，得出在多个不同的电压强度下的关系图，图示中以65kV、70kV、75kV为例进行示例性说
明。如图4所示，60kV、65kV、70kV、75kV电压强度下的为紫外成像仪探测得到紫外光子数与
探测距离的关系曲线。
[0069] 在所述步骤2中，在探测距离大于3m的前提下，以绝缘子放电目标源等效为点光源，根据Allard定律，得出以下关系式：
[0070] （1）
[0071] 式中，E表示到达成像仪的信号强度，以紫光光子数表征，R代表绝缘子放电强度，d代表探测距离，m为幂指数；
[0072] 通过对不同绝缘子放电强度与紫外光子数的关系曲线进行拟合，得出在不同放电强度下，探测距离与光子数的关系：
[0073] （2）
[0074] pc表示通过探测获得的紫外光子数，随着电压的升高，R随之升高；
[0075] 幂指数m，以所确定的不同放电强度下的具体数据值的均值确定，并且由绝缘子评估处的环境因素唯一确定该环境下的幂指数；
[0076] 由此，获得通过公式（2）表征放电强度、探测距离和光子数三者关系。
[0077] 优选地，步骤3的具体实现包括：
[0078] 步骤3‑1、通过改变不同的成像角度以及绝缘子不同的放置状态，在每个探测距离下，采集绝缘子可见光图像250幅，然后制作成16个类别4000幅图像的绝缘子数据集，再根
据卷积神经网络深度学习模型（CNN）的训练尺寸要求将图像裁剪成预定的尺寸，取10%作为
测试集，90%作为训练集；训练样本数据如图4所示；
[0079] 步骤3‑2、确定卷积神经网络深度学习模型的训练参数，即Iteration，epoch以及batch size，然后基于绝缘子数据集中的训练集进行模型训练，并利用测试集进行模型准
确性评估，如果准确性未达到预设值，则调整训练参数继续训练，直到模型准确性达到设定
的预设值，由此得到基于可见光的电晕放电探测距离分类模型。
[0080] 其中，结合图7所示的CNN网络的模型结构，步骤3‑2的训练过程包括：
[0081] 基于卷积神经网络深度学习模型网络中包含的8个带权重的层，其中包含5层卷积层C1‑C5以及3层全连接层FC6‑FC8，在C1、C2和C5后面加入了最大值池化层，在卷积层中采
用ReLU型激活函数，在最后一个全连接层后采用Softmax型损失函数分类器；
[0082] 网络在前向计算时，每层网络的处理流程如下：
[0083] 卷积层C1：
[0084] 卷积，输入数据为227×227×3，使用96个大小为11×11的卷积核，卷积层输出为55×55×96；其中227×227×3为裁剪后的图像尺寸；
[0085] ReLU，将卷积层输出的数据输入到ReLU函数中；
[0086] 最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为27×27×96；
[0087] 卷积层C2：
[0088] 卷积，输入数据为27×27×96，使用256个大小5×5的卷积核，并做边缘填充padding=2，卷积步长为1，输出数据为27×27×256；
[0089] ReLU，将卷积层输出数据放入到ReLU函数中；
[0090] 最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为13×13×256。
[0091] 卷积层C3：
[0092] 卷积，输入数据为13×13×256，使用384个大小为3×3的卷积核，并做边缘填充padding=1，卷积步长为1，则数据输出为13×13×384；
[0093] ReLU，将卷积层输出的数据输入到ReLU函数中；
[0094] 卷积层C4：该层操作与C3相同，输出也为13×13×384；
[0095] 卷积层C5：
[0096] 卷积，输入数据为13×13×384，使用256个大小为3×3的卷积核，做边缘填充padding=1，卷积步长为1，则数据输出为13×13×256；
[0097] ReLU，将卷积层输出的数据输入到ReLU函数中；
[0098] 最大池化，使用大小为3×3，步长为2的池化单元对ReLU输出进行最大池化，输出为6×6×256。
[0099] 全连接层FC6：
[0100] 卷积→全连接，数据输入为6×6×256，使用4096个大小为6×6的卷积核，由于卷积核尺寸与输入数据尺寸相同，即卷积核中的每个系数只与输入数据的一个像素值相乘，
一一对应，因此作为全连接层；由于卷积核和数据输入的尺寸相同，卷积运算后只有一个
值，因此，卷积后的输出为4096×1×1，即有4096个神经元；
[0101] ReLU，将4096个神经元通过ReLU激活函数生成4096个值；
[0102] 全连接层FC7：该层操作与FC6相似，同样经过ReLU激活函数生成了4096个值；
[0103] 输出层FC8：
[0104] FC7输出的4096个数据与FC8的16个神经元进行全连接，经过训练后输出16个float值，作为预测的分类分数；
[0105] 得出前向计算的预测分数后，采用反向传播算法，通过对Softmax损失函数的导数逐渐递推，得出输出层的响应误差，通过响应误差调整网络参数，完成一次训练iteration。
[0106] 在可选的方案中，在训练过程中，选取不同的梯度优化算法，包括SGD、Momentum、Adagrad以及Adam，得出训练后的准确率如图8所示。据图8所示， Adam算法在训练后的鲁棒
性和准确率最优，因此选取此种情况下的训练模型作为最终的绝缘子探测距离分类模型。
[0107] 优选地，步骤3‑2的模型训练过程中，设定模型参数为：
[0108] Iteration=10000，epoch=40，batch size=16。
[0109] 由此，在实地测试时，例如步骤4所描述的探测处理，将双路成像仪的可见光通道探测的可见光图像输入到训练好的距离分类模型中，判断出此时成像仪的探测距离。
[0110] 在所述步骤5中，通过步骤4所获取到双路紫外成像仪与绝缘子之间的探测距离设定为d0，绝缘子处发生电晕时通过双路紫外成像仪实际探测紫外光子数设定为Pc0，则根据
所述公式（1）、（2）计算如下：
[0111] Pc0=Rd0‑m （3）
[0112] 则，在前述预定探测距离D位置处的紫外光子数获取如下：
[0113] Pc1=Rd1‑m （4）
[0114] 其中，Pc1表示在预定探测距离D位置处的紫外光子数，d1=D；
[0115] 将上述公式（3）和（4）的等式两侧作比，则可获得在预定探测距离D位置处的紫外光子数Pc1。
[0116] 本发明的实施例中，在对绝缘子放电状态进行判断时，将探测距离5m作为标准探测距离，将采集到的成像仪光子数以及对应的探测距离转化成5m探测距离下的紫外光子
数，通过结合步骤1的曲线，实现对电晕放电的状态检测。对探测距离为5m时的绝缘子放电
分析可知，当光子数大于30时，开始产生电晕放电，当光子数大于200时，绝缘子放电处于放
电危险状态。
[0117] 图9示例性地展示了对绝缘子放电状态检测的最终效果图。
[0118] 虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因
此，本发明的保护范围当视权利要求书所界定者为准。
