一种基于深度迁移学习的绝缘子类别检测方法与流程

本发明涉及高压输电线路巡线技术，图像识别技术，迁移学习技术领域，具体涉及一种基于深度迁移学习的绝缘子类别检测方法。

背景技术：

随着世界范围内人们生产生活用电需求的不断增加，电网的建设规模也随之不断扩大，其中输电线路的安全性和可靠性直接影响电力传输的稳定性，需要定期对其进行安全巡检，以消除潜在的故障隐患。作为架空输电线路中固定导线的重要部件，绝缘子安装在不同电位的导体或导体与接地构件之间，承受较大的机械张力和极高的电压。因此，自爆事故时常发生，严重威胁输电线路的安全可靠运行。由巡检工人亲自到电力杆塔下方使用望远镜等工具观察，然后通过肉眼来判断是否发生故障。这种方法虽然简单，但是很容易被视线、角度、周围的环境等因素干扰，因此得到的结果并不可信。在19世纪80年代以前，我国都是采用直接观察法进行检查的，由于其效率低、准确度不高且浪费人力等原因，逐渐被其他方法所替代。

随着信息化和网络化技术的快速发展，利用无人机或直升机沿输电线路拍摄视频图像，继而由人从背景复杂的影像中分析标注自爆绝缘子的现代人工巡检方式，替代传统人工巡检方式，已成为输电线路巡检技术发展的方向。但是拍摄产生的大量图像或视频需要相关人员一一观察并分析有无绝缘子自爆缺失的情况。在分析过程中也会被图像的背景以及清晰度所影响，从而导致分析的结果不一定可信。

近几年来人工智能和海量图像数据相结合的技术应用也越来越广泛，这使得对图像中的目标物体进行识别和定位的实现成为可能。inception作为一种深层神经网络，随着网络结构的逐渐加深和分支，层层的卷积池化运算提取与目标图像有确定映射关系的从浅到深多样高阶特征，这与人从整体到局部获取感知信息的认知模式一致。然而，试凑设定的网络架构生成的特征空间缺乏可解释性，以及softmax层泛化能力的不足，导致对航拍绝缘子图像特征提取不足，分类准确度低。目前很多算法都是通过对得到的绝缘子图像进行预处理、然后分割，进行自动识别和判断状态，这样就能够减少人工的参与大大提高巡线的效率。但是这些方法也存在一定的弊端，针对性强，普适性不高，具体的解决方案仍然存在一定的欠缺。

技术实现要素：

本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度迁移学习的绝缘子类别检测方法，以期能解决开环无反馈认知系统中泛化能力差、误识率高的问题，从而能够仿人自由调整认知方法进行反馈认知，提高复杂背景下绝缘子航拍图像自爆的状态检测精度，满足准确化快速化的实际需求。

本发明为解决技术问题采用如下技术方案：

本发明一种基于深度迁移学习的绝缘子类别检测方法的特点是按如下步骤进行：

步骤1、对航拍绝缘子图像集进行预处理，得到预处理后的绝缘子图像集；

步骤2、对所述预处理后的航拍绝缘子图像集进行扩充处理，得到扩充后的航拍绝缘子图像集；

步骤3、将所述扩充后的航拍绝缘子图像集进行分类，分为航拍完好绝缘子图像集n1和航拍自爆绝缘子图像集n2；

步骤4、对所述完好绝缘子图像集n1和自爆绝缘子图像集n2中各m幅航拍绝缘子图像进行人工标注，框出绝缘子区域所在的矩形边界框，并记录各个矩形边界框的坐标位置，从而得到标注后的航拍绝缘子图像集作为绝缘子检测的训练集合t1；将所述完好绝缘子图像集n1和自爆绝缘子图像集n2中其余航拍绝缘子图像作为绝缘子检测的测试集合t2；

步骤5、利用所述训练集合t1对目标检测yolo模型进行训练，得到绝缘子串检测模型，从而利用所述绝缘子串检测模型对所述测试集合进行检测，得到测试集合中所有航拍绝缘子图像的矩形边界框的坐标位置；

步骤6、裁剪出所述训练集合t1中人工标注的矩形边界框和测试集合t2中所有航拍绝缘子图像的矩形边界框并进行归一化操作，得到目标绝缘子图像集合；再将所述目标绝缘子图像集合重新进行分类，分为包含k1幅完好绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆绝缘子图像的自爆绝缘子图像集记为v；

从所述完好绝缘子图像集g中取出m1幅完好绝缘子图像，并从所述自爆绝缘子图像集v中取出m2幅自爆绝缘子图像共同作为训练集t1，剩余绝缘子图像作为测试集t2；

步骤7、构建多层次差异性自适应架构的inception深度学习网络；

步骤7.1、针对inception深度学习网络的前五层卷积层，将第2层卷积和第3层卷积组合在一起形成第一组合卷积，并将第4层卷积和第5层卷积组合在一起形成第一组合卷积，由两个组合卷积构建交错组卷积，从而得到改进后的前五层卷积层；

由改进后的前五层卷积层、模块组、全局池化层、全连接层以及h个scn分类器构成所述inception深度学习网络；

步骤7.2、定义当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μmax；

对所述inception深度学习网络中各层的参数进行第μ次随机初始化，从而得到第μ次迭代的inception深度学习网络；

步骤7.3、将所述训练集t1输入所述第μ次迭代的inception深度学习网络中改进后的前五层卷积层，并输出第μ次迭代的交错特征图集合；

步骤7.4、所述第μ次迭代的交错特征图集合经过所述模块组后输出第μ次迭代的特征图空间，记为表示第μ次迭代的第t个特征图，h为特征图个数，t∈[1,h]；

利用式(1)得到第μ次迭代的第t个特征图的可区分性测度指标函数从而得到h个特征图的可区分性测度指标函数

式(1)中，和分别表示第μ次迭代的第t个特征图中含完好绝缘子图像特征图和自爆绝缘子图像特征图的均值矩阵；表示第μ次迭代的第t个特征图中含完好和自爆绝缘子图像特征的协方差矩阵；t表示转置；

步骤7.5、获取候选的重构多层面差异化特征图集合：

步骤7.5.1、定义变量δ，并初始化δ＝1；

步骤7.5.2、假设第μ次迭代的第d1个可区分性测度指标函数所对应的特征图记为则dh个可区分性测度指标函数所对应的特征图记为且将选取区分能力最强的所对应的特征图作为第μ次迭代的第一个候选的特征图子集，令

步骤7.5.2、将第μ次迭代的剩余h-δ个特征图中的每个特征图分别与进行组合，得到第μ次迭代的h-δ个候选子集；并利用式(1)计算第μ次迭代的h-δ个候选子集的可区分性测度指标函数，并从第μ次迭代的h-δ个可区分性测度指标函数中最大值所对应的候选子集记为

步骤7.5.3、将δ+1赋值给δ后，若δ＞h，则停止迭代，否则返回步骤7.5.2，从而得到第μ次迭代的h个特征图条件下的候选重构多层面差异化特征图集合

步骤7.6、在第μ次迭代的候选重构多层面差异化特征图集合经过所述全局池化层以及所述全连接层的处理后，得到所述训练集t1在第μ次迭代的h个候选重构多层面特征向量集合；

步骤7.7、将第μ次迭代的第δ个候选重构多层面特征向量输入第δ个scn分类器中，从而得到所述训练集t1在第μ次迭代的第δ个类别，从而得到所述训练集t1在第μ次迭代的h个类别；

步骤7.8、分别计算第μ次迭代的h个类别的误差；

步骤7.9、初始化δ＝1；

步骤7.10、将第δ个类别的误差与scn分类器的阈值相比较，若第δ个类别的误差小于所述阈值，则执行步骤7.11；否则，执行步骤7.12；

步骤7.11、判断第δ个类别的误差是否为h个类别的误差中的最小值，若是，则表示第δ个scn分类器为最优分类器，并输出第μ次迭代的第δ个类别作为所述训练集t1的分类结果，否则，将δ+1赋值给δ后，返回步骤7.10，直到δ＞h为止；

步骤7.12、将所述第δ个类别的误差反向传播至所述inception深度学习网络的输入端，从而更新所述inception深度学习网络中各层的参数并得到第μ+1次迭代的inception深度学习网络后，将μ+1赋值给μ，并返回步骤7.3，直到μ＞μmax为止，从而得到第μmax次迭代的inception深度学习网络；

步骤8、构建测试集t2的基准网络及其分类结果：

步骤8.1、将所述第μmax次迭代的inception深度学习网络作为测试集t2的基准网络，定义ω为反馈次数；q为动态卷积层总数，并初始化ω＝1，q＝0；

定义所述测试集t2中任意一幅测试样本的序号为i，且i＝1,…,n；n为所述测试集t2中测试样本总数；

步骤8.2、获取一个已学习的inception网络模型，并利用迁移学习方法获得所述inception网络模型的参数作为初始值；

步骤8.3、将所述测试集t2中任意第i幅测试样本输入第ω次反馈下，第μmax次迭代的inception深度学习网络过程中，得到在当前q层动态卷积层下的第i幅测试样本的分类结果，记为ξi,q,ω；

步骤9、构建测试集t2的语义误差熵：

步骤9.1、将所述测试集t2中任意第i幅测试样本输入所述第μmax次迭代的inception深度学习网络过程中，并经过步骤7.6得到在当前q层动态卷积层和第ω次反馈下的第i幅测试样本的重构多层面特征向量fci,q,ω；

步骤9.2、采用潜在语义分析法将所述第i幅测试样本的重构多层面特征向量fci,q,ω映射为语义空间多层面特征向量，记为fci,q,ω＝[fci,q,ω,1,fci,q,ω,2,…,fci,q,ω,δ,…,fci,q,ω,h]，fci,q,ω,δ为在当前q层动态卷积层和第ω次反馈下的第i幅测试样本中第δ个特征向量；并将训练集t1中与第i幅测试样本的分类结果ξi,q,ω具有相同类别的ni,q,ω幅绝缘子图像也映射为语义空间多层面特征向量集，记为gci,q,w,x为在当前q层动态卷积层和第ω次反馈下的与第i幅测试样本的分类结果ξi,q,ω具有相同类别的第x维特征向量；且gci,q,w,x＝[gci,q,ω,x,1,gci,q,ω,x,2…,gci,q,ω,x,δ,…,gci,q,ω,x,h]；其中，gci,q,ω,x,δ为在当前q层动态卷积层和第ω次反馈下的第i幅测试样本中第x行第δ列的特征向量；

将语义空间多层面特征向量fci,q,ω分别与语义空间多层面特征向量集gci,q,w中每行特征向量相减，得到多层面语义误差特征矩阵di,q,ω，di,q,ω＝[di,q,ω,1,1,…,di,q,ω,1,δ；di,q,ω,2,1,…di,q,ω,2,δ；…；di,q,ω,x,1,…,di,q,ω,x,h]，其中，di,q,ω,x,h为多层面语义误差特征矩阵di,q,ω中第x行第δ列的特征向量，则利用式(2)得到第i幅测试样本的分类结果ξi,q,ω的语义误差熵hi,q,ω：

步骤10、构建基于语义误差熵的绝缘子分类结果反馈调节机制：

步骤10.1、判断hi,q,ω≤t是否成，若成立，则输出分类结果ξi,q,ω作为第i幅测试样本的最终认知结果；否则继续步骤10.2，其中，t为期望阈值；

步骤10.2、利用式(3)得到动态增加的卷积层数δq：

式(3)中，σ、τ和为波形控制系数，且τ＞1，σ＝1；

步骤10.3、在所述基准网络中的交错卷积组与模块组之间，动态增加δq层卷积层，从而将当前动态卷积层总数q更新为q+δq，并得到更新后的第μmax次迭代的inception深度学习网络替换原始的第μmax次迭代的inception深度学习网络后，qmax为最大动态卷积层数，判断q≥qmax是否成立，若成立，则输出第ω反馈认知过程中minhi,q,ω所对应的认知结果ξi,q,ω作为第i幅测试样本的分类结果，否则，将ω更新为ω+1，并返回步骤8.3。

与已有技术相比，本发明的有益效果体现在：

1、本发明通过采用对认知结果的语义误差熵评价的方法，克服了传统认知系统中对不同的样本采用相同认知方法完成认知对象特征空间的建立和分类认知，并且一旦建立就不再更新的缺陷，从而显著提高了绝缘子分类精度；

2、本发明利用交错组卷积策略重构inception网络的卷积层，克服了深层神经网络中卷积运算存在的通道冗余缺陷，降低了网络卷积复杂度，从而提高了绝缘子检测速度；

3、本发明基于可区分性测度指标，获取候选的重构多层面差异化特征图集合，克服了inception网络特征图空间的冗余性，增强了每个特征图对多类别绝缘子图像的可区分能力。

4、本发明基于迁移学习在不同的任务之间共享已学得的知识，并根据新任务的需求更新学习模型获取新知识，节省了大量的训练时间资源，从而提高了绝缘子分类模型训练速率。

附图说明

图1a为本发明航拍绝缘子原图；

图1b为本发明航拍绝缘子镜像翻转图；

图1c为本发明航拍绝缘子旋转+5°图；

图1d为本发明航拍绝缘子旋转-5°图；

图1e为本发明航拍绝缘子旋转+10°图；

图1f为本发明航拍绝缘子旋转-10°图；

图2为本发明航拍图像绝缘子定位图；

图3为本发明交错组卷积结构图；

图4为本发明多层次差异性的自适应架构inception网络流程图；

图5为本发明绝缘子分类结果认知模型构建图。

具体实施方式

本实施例中，一种基于深度迁移学习的绝缘子类别检测方法是按如下步骤进行：

步骤1、对航拍绝缘子图像集进行预处理，检测计算机计算能力是否满足原图像尺寸大小的计算要求，是否存在抖动模糊等问题，并进行尺寸变换，去抖防噪处理，得到预处理后的绝缘子图像集；

步骤2、对预处理后的航拍绝缘子图像集进行扩充处理，在步骤1中处理图像的基础上，如图1a所示为航拍绝缘子原图，图1b为航拍绝缘子镜像翻转，图1c为航拍绝缘子旋转+5°图，图1d为航拍绝缘子旋转-5°图，图1e为航拍绝缘子旋转+10°图；图1f为航拍绝缘子旋转-10°图，以模拟无人机或直升机在航拍过程中遇到紊流抖动以及处于不同拍摄视角的情形,对数据进行扩充，得到扩充后的航拍绝缘子图像集；

步骤3、将扩充后的航拍绝缘子图像集进行分类，对于不同材质的绝缘子，根据破损状态，分为航拍完好绝缘子，航拍自爆绝缘子两类，并保证每类状态的绝缘子样本数量分别为3600个和1200个。分为航拍完好绝缘子图像集n1和航拍自爆绝缘子图像集n2；

步骤4、对完好绝缘子图像集n1和自爆绝缘子图像集n2中各m幅航拍绝缘子图像进行人工标注，框出绝缘子区域所在的矩形边界框，并记录各个矩形边界框的坐标位置，对于每个绝缘子样本建立符合标准的pascalvoc格式的xml标签文件，标签文件中包括以下信息：图片id号，图像的像素高度，宽度与深度，图像的路径，图片所包含的目标类别种类，以及绝缘子串目标区域所在矩形边界框的坐标(xmin,ymin,xmax,ymax),其中(xmin,ymin)为边界框左上顶点坐标，(xmax,ymax)为边界框右下顶点坐标。从而得到标注后的航拍绝缘子图像集作为绝缘子检测的训练集合t1；将完好绝缘子图像集n1和自爆绝缘子图像集n2中其余航拍绝缘子图像作为绝缘子检测的测试集合t2；

步骤5、利用训练集合t1对目标检测yolo模型进行训练，得到绝缘子串检测模型，从而利用绝缘子串检测模型对测试集合进行检测，如图2所示基于9种尺度的先验框使用logistic直接在输入图像中回归预测目标，检测器最终得到预测目标边界框的位置，得到测试集合中所有航拍绝缘子图像的矩形边界框的坐标位置；

步骤6、裁剪出训练集合t1中人工标注的矩形边界框和测试集合t2中所有航拍绝缘子图像的矩形边界框并进行归一化操作，将大小调整为299×299，得到目标绝缘子图像集合；再将目标绝缘子图像集合重新进行分类，分为包含k1幅完好绝缘子图像的完好绝缘子图像集记为g，包含k2幅自爆绝缘子图像的自爆绝缘子图像集记为v；

从完好绝缘子图像集g中取出m1幅完好绝缘子图像，并从自爆绝缘子图像集v中取出m2幅自爆绝缘子图像共同作为训练集t1，剩余绝缘子图像作为测试集t2；

步骤7、构建多层次差异性自适应架构的inception深度学习网络；

步骤7.1、本实施例中，针对inception深度学习网络的前五层卷积层，如图3所示每个交错组卷积模块包括两个组卷积过程——第一次组卷积以及第二次组卷积。用一个32通道的例子来解释组卷积：把32个输入通道平均分为4组，每组拥有8个通道，并分别对4组单独做卷积运算。每组卷积之间不存在交互，不同组的输出通道与输入通道并不相关。交错组卷积过程引入了第二次组卷积，即第二次组卷积过程中，每组的输入通道均来自于第一次组卷积过程不同的组，达到了交错互补的目的。本实施例中将第2层卷积和第3层卷积组合在一起形成第一组合卷积，并将第4层卷积和第5层卷积组合在一起形成第一组合卷积，由两个组合卷积构建交错组卷积，从而得到改进后的前五层卷积层；

由改进后的前五层卷积层、模块组、全局池化层、全连接层以及h个scn分类器构成inception深度学习网络；

步骤7.2、定义当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μmax；

对inception深度学习网络中各层的参数进行第μ次随机初始化，从而得到第μ次迭代的inception深度学习网络；

步骤7.3、将训练集t1输入第μ次迭代的inception深度学习网络中改进后的前五层卷积层，并输出第μ次迭代的交错特征图集合；

步骤7.4、第μ次迭代的交错特征图集合经过模块组后输出第μ次迭代的特征图空间，记为表示第μ次迭代的第t个特征图，h为特征图个数，t∈[1,h]；

利用式(1)得到第μ次迭代的第t个特征图的可区分性测度指标函数从而得到h个特征图的可区分性测度指标函数

式(1)中，和分别表示第μ次迭代的第t个特征图中含完好绝缘子图像特征图和自爆绝缘子图像特征图的均值矩阵；表示第μ次迭代的第t个特征图中含完好和自爆绝缘子图像特征的协方差矩阵；t表示转置；

步骤7.5、获取候选的重构多层面差异化特征图集合：

步骤7.5.1、定义变量δ，并初始化δ＝1；

步骤7.5.2、假设第μ次迭代的第d1个可区分性测度指标函数所对应的特征图记为则dh个可区分性测度指标函数所对应的特征图记为且将选取区分能力最强的所对应的特征图作为第μ次迭代的第一个候选的特征图子集，令

步骤7.5.2、将第μ次迭代的剩余h-δ个特征图中的每个特征图分别与进行组合，得到第μ次迭代的h-δ个候选子集；并利用式(1)计算第μ次迭代的h-δ个候选子集的可区分性测度指标函数，并从第μ次迭代的h-δ个可区分性测度指标函数中最大值所对应的候选子集记为

步骤7.5.3、将δ+1赋值给δ后，返回步骤7.3.2，直到δ＞h为止，从而得到第μ次迭代的h个特征图条件下的候选重构多层面差异化特征图集合

步骤7.6、在第μ次迭代的候选重构多层面差异化特征图集合经过全局池化层以及全连接层的处理后，得到训练集t1在第μ次迭代的h个候选重构多层面特征向量集合；

步骤7.7、将第μ次迭代的第δ个候选重构多层面特征向量输入第δ个scn分类器中，从而得到训练集t1在第μ次迭代的第δ个类别，从而得到训练集t1在第μ次迭代的h个类别；

步骤7.8、分别计算第μ次迭代的h个类别的误差；

步骤7.9、初始化δ＝1；

步骤7.10、将第δ个类别的误差与scn分类器的阈值相比较，若第δ个类别的误差小于阈值，则执行步骤7.11；否则，执行步骤7.12；

步骤7.11、判断第δ个类别的误差是否为h个类别的误差中的最小值，若是，则表示第δ个scn分类器为最优分类器，并输出第μ次迭代的第δ个类别作为训练集t1的分类结果，否则，将δ+1赋值给δ后，返回步骤7.10，直到δ＞h为止；

步骤7.12、将第δ个类别的误差反向传播至inception深度学习网络的输入端，从而更新inception深度学习网络中各层的参数并得到第μ+1次迭代的inception深度学习网络后，将μ+1赋值给μ，并返回步骤7.3，直到μ＞μmax为止，从而得到第μmax次迭代的inception深度学习网络；

步骤8、构建测试集t2的基准网络及其分类结果：

步骤8.1、将步骤7inception深度学习网络作为测试集t2的基准网络如图4所示，定义ω为反馈次数；q为动态卷积层总数，并初始化ω＝1，q＝0；定义测试集t2中任意一幅测试样本的序号为i，且i＝1,…,n；n为测试集t2中测试样本总数；

步骤8.2、获取一个已学习的inception网络模型，并利用迁移学习方法获得inception网络模型的参数作为初始值；

步骤8.3、将测试集t2中任意第i幅测试样本输入第ω次反馈认知过程条件下，第μmax次迭代的inception深度学习网络过程中，得到在当前动态卷积层总数q层条件下的第i幅测试样本的分类结果，记为ξi,q,ω；

步骤9、构建测试集t2的语义误差熵：

步骤9.1、将测试集t2中任意第i幅测试样本输入第μmax次迭代的inception深度学习网络过程中，经过步骤7.6得到在动态卷积层总数为q和第ω次反馈认知过程条件下的第i幅测试样本的重构多层面特征向量fci,q,ω

步骤9.2、采用潜在语义分析将第i幅测试样本的重构多层面特征向量fci,q,ω映射为语义空间多层面特征向量，记为fci,q,ω＝[fci,q,ω,1,fci,q,ω,2,…,fci,q,ω,δ,…,fci,q,ω,h]，fci,q,ω,δ的含义为在当前动态卷积层总数q层和第ω次反馈认知过程条件下的第i幅测试样本中的第δ个特征向量；并将训练集t1中与第i幅测试样本的分类结果ξi,q,ω具有相同类别的ni,q,ω幅绝缘子图像也映射为语义空间多层面特征向量集，记为gci,q,w,x的含义为在当前动态卷积层总数q层和第ω次反馈认知过程条件下的与第i幅测试样本的分类结果ξi,q,ω具有相同类别的第x维特征向量；且gci,q,w,x＝[gci,q,ω,x,1,gci,q,ω,x,2…,gci,q,ω,x,δ,…,gci,q,ω,x,h]；其中gci,q,ω,x,δ的含义为在当前动态卷积层总数q层和第ω次反馈认知过程条件下的第i幅测试样本中的第x维、第δ个特征向量；将语义空间多层面特征向量fci,q,ω分别与语义空间多层面特征向量集gci,q,w中每行向量相减，得到多层面语义误差特征矩阵di,q,ω，di,q,ω＝[di,q,ω,1,1,…,di,q,ω,1,δ；di,q,ω,2,1,…di,q,ω,2,δ；…；di,q,ω,x,1,…,di,q,ω,x,h]，di,q,ω,x,h为矩阵di,q,ω的第x行、第δ列特征向量，则利用式(2)得到第i幅测试样本的分类结果ξi,q,ω的语义误差熵hi,q,ω：

步骤10、构建基于语义误差熵的绝缘子分类结果反馈调节机制：

步骤10.1、判断hi,q,ω≤t是否成，若成立，则输出分类结果ξi,q,ω作为第i幅测试样本的最终认知结果；否则继续步骤10.2，其中，t为期望阈值；

步骤10.2、利用式(3)动态增加的卷积层数δq：

式(3)中，σ、τ和为波形控制系数，且τ＞1，σ＝1；

步骤10.3、在步骤8基准inception深度学习网络中的交错卷积组与模块组之间，动态增加δq层卷积层，从而将当前动态卷积层总数更新为q+δq，并得到更新后的第μmax次迭代的inception深度学习网络；

步骤10.4、更新ω＝ω+1，q＝q+δq，返回步骤8，重新构建自适应架构inception深度学习网络；再次得到认知结果ξi,q,ω，并返回步骤10.1。

步骤10.5、若当前动态卷积层数q≥qmax时仍不能满足目标语义误差熵的期望阈值t，则输出第ω反馈认知过程中minhi,q,ω所对应的认知结果ξi,q,ω作为第i幅测试样本的分类结果，否则返回步骤10.1。

如图4所示，基于深度迁移学习的绝缘子类别检测方法，得到图4中所示绝缘子图像的分类结果，并根据式(2)及图5所示基于深度学习的绝缘子类别反馈认知模型，对其进行可信性评估：hi,q,ω≤t，t＝0.4，满足阈值条件停止反馈认知过程，并将该绝缘子图像的最终认知结果进行输出。

上述的仿反馈认知过程是本发明的一个具体实施过程，在面对多类别样本的情形下能够根据不同样本的认知需求实现特征空间的重构，同时根据分类结果的的语义误差熵对误识样本进行多层次仿反馈认知，从而显著提高了认知精度。