一种输电线路缺陷的检测方法及装置与流程

本发明涉及电力元件检测领域，尤其涉及一种输电线路缺陷的检测方法及装置。
背景技术：
：电力工业是国民经济的重要基础，它为国民经济及其他部门提供基本动力，是国家经济发展战略中的重点。输电线路穿越的地理环境复杂，远离主要交通干道，而且输电线路在长期运行中易受自然灾害及人为损伤等因素影响，导致导线断股、绝缘子脏污、杆塔锈蚀等缺陷，此类缺陷的前期常伴随有局部放电、局部温升，增高等现象，将会严重影响电网的运营安全。因此需要对线路进行巡检，及时发现排除线路缺陷。现有技术中，利用直升机/无人机平台，通过红外线检测技术对输电线路上的各种设备进行在线检测，然后基于图像识别技术对所获取的红外图像进行分析处理，从而确定线路缺陷。然而，实际使用环境中，受到复杂环境对输电线各设备特征的影响，通过红外线检测技术获取的图像中含有大量的噪声和复杂的背景信息，导致基于图像识别技术的检测方法对电力元件识别准确率较低，存在比较严重的误判率，因而对输电线路缺陷的判断准确率不足。技术实现要素：本发明的实施例提供一种输电线路缺陷的检测方法及装置，能够提高对输电线路缺陷的判断准确率。为了达成上述目的，本发明采用如下解决方案：第一方面，提供一种输电线路缺陷的检测方法，包括：通过非监督学习确定特征提取器，所述特征提取器为红外图像与红外图像的数据特征之间的映射函数；获取目标红外图像，并通过所述特征提取器提取得到所述目标红外图像的数据特征；其中，所述目标红外图像为输电线路的红外图像；利用分类器对所述目标红外图像的数据特征进行分类检测，识别出所述目标红外图像的正样本；其中，所述正样本为输电线路上电力元件的红外图像样本；对所述正样本进行温度分析，输出缺陷判别结果。第二方面，提供一种输电线路缺陷的检测装置，用于执行第一方面所提供的检测方法。本发明的实施例所提供的输电线路缺陷的检测方法及装置，利用机器学习的方法实现对红外图像特征的自动学习，相对于图像分析的手段，机器学习得到的特征对红外图像信息有更本质的刻画，清晰地体现了红外图形与输电线路缺陷之间的关系，另外机器学习得到的特征还有利于对不同类型缺陷的做分类检测，从而提高对输电线路缺陷的判断准确率。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明的实施例所提供的输电线路缺陷的检测方法流程示意图；图2为本发明的实施例所提供的输电线路缺陷的检测装置结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例本发明的实施例提供一种输电线路缺陷的检测方法，结合图1所示，包括以下步骤：101、通过非监督学习确定特征提取器。特征提取器为红外图像与红外图像的数据特征之间的映射函数。设置一个没有带类别标签的红外图像训练样本集合X＝{xa,xb,xc,…}，通过该集合进行训练，完成非监督学习过程。非监督学习过程可包括以下几个子步骤：101-1、将无标签图像进行分块操作，并从中随机提取至少一个子图像块。101-2、对至少一个子图像块的数据进行预处理。图像的整体明亮程度并不会影响对图像中物体的分析，也就是说，可以忽略图像块的平均亮度值，所以可以减去平均亮度值来进行均值规整化。红外图像具有平稳特性，通常在第一步需要对每个数据样本分别做均值规整化，并且除以标准差，以规整化。然后采用主成分分析(英文全称：principalcomponentanalysis，英文简称：PCA)或者零相位成分分析(英文全称：zero-phasecomponentanalysis，英文简称：ZCA)白化处理，以达到低通滤波的效果。PCA是一种能够极大提升无监督特征学习速度的数据降维算法。使用图像来训练算法，因为图像中相邻的像素高度相关，输入数据是有一定冗余的，PCA算法可以将输入数据向量转换为一个维数低很多的近似向量，而且误差非常小。白化为一个与PCA相关的预处理步骤，由于图像中相邻像素之间具有很强的相关性，所以用于训练时输入是冗余的，白化的目的就是降低输入的冗余性。101-3、利用稀疏自编码算法来学习得到特征提取器。利用稀疏自编码算法来学习特征映射，即特征提取器。特征提取器为红外图像与红外图像的数据特征之间的映射函数。对数据进行预处理后，通过非监督学习算法来学习特征。可以把非监督学习算法看成一个黑盒子。它接收输入，然后产生一个输出。可以表示为一个函数映射函数，把一个N维的输入向量xi映射为一个K维的特征向量。稀疏自编码算法，用反向传播算法(英文全称：Backpropagationalgorithm，英文间称：BP算法)训练一个含有K个隐藏节点的自动编码机，代价函数是重构均方误差，并存在一个惩罚项，主要限制隐藏节点，使其保持一个低的激活值。算法输出一个权值矩阵W(K×N维)和一组基B(K维)，特征提取器为：f(x)＝g(Wx+b)。其中，x为N维的输入向量，g(z)＝1/(1+e^(-z))是sigmoid函数，对向量z的每一个元素求值。102、获取目标红外图像，并通过特征提取器提取得到目标红外图像的数据特征。其中，目标红外图像为输电线路的红外图像。从红外图像中随机选取一个图像块，利用特征提取器，从选取一个图像块的数据中学习到一些基本特征，将这些基本特征作为探测器，跟原红外图像的各个子图像块做卷积，得到各个子图像块各自的卷积特征。可选的，在通过卷积获得各个子图像块各自的卷积特征之后，若利用这些特征直接做分类，将面临很大的计算量。因此，为了描述大尺寸图像，对不同位置的特征进行聚合统计，这种聚合的操作即为池化(英文：pooling)，池化是在卷积特征提取的基础上，对每个卷积特征进行取平均等，继续缩小隐藏节点对于的卷积特征维数，减小分类器的计算量。也就是说，把卷积特征划分到数个不相交区域上，用这些区域的平均或最大特征来获取池化后的卷积特征。这些统计特征不仅具有低得多的维度(相比原始卷积特征)，同时还会避免过拟合。经过池化后的特征便可以用来做分类了。103、利用分类器对目标红外图像的数据特征进行分类检测。分类器通过分类检测，识别出目标红外图像的正样本和负样本，其中，正样本为输电线路上电力元件的红外图像样本，可称为前景目标的红外图像样本，负样本为背景的红外图像样本等无效样本。在一种具体的实现方式中，采用Softmax回归模型对输电线路上的多种缺陷进行分类检测。设置一个带标签的训练样本集(x(i),y(i))＝{(x(1),y(1)),(x(2),y(2)),(x(3),y(3)),…}，其中y(i)∈{1，2，…k}，k为输电线路缺陷的种类数。对于给定的样本输入x，用假设函数针对每一个类别j估算出概率值p(y＝j│x)，也就是估计x的每一种分类结果出现的概率。Softmax的假设函数如下所示：hθ(x(i))=p(y(i)=1|x(i);θ)p(y(i)=2|x(i);θ)...p(y(i)=k|x(i);θ)=1Σj=1keθjTx(i)eθ1Tx(i)eθ2Tx(i)...eθkTx(i)]]>其中，θ为模型参数。以输电线上的绝缘子为例，当计算得到的输入样本x属于绝缘子类别的概率值大于参数Ψ(可根据交叉验证法确定该参数值)时，即可判别该子图像块为正样本，即绝缘子的红外图像块。反之，若小于参数Ψ，判别该子图像块为负样本，即背景的红外图像样本等无效样本。可选的，分类检测之后，可以利用已标注数据集进行参数微调，起到修正特征提取器的作用。分类器整体上是一个大的神经网络。因此，在训练获得模型最初参数(利用稀疏自编码器训练第一层，利用Softmax回归训练第二层)之后，可以对参数进行微调，在现有参数的基础上采用梯度下降或者共轭梯度下降法来降低已标注数据集上的训练误差。微调的作用在于，已标注数据集也可以用来修正权值W，从而修正特征提取器f(x)＝g(Wx+b)，利用修正后的特征提取器提取特征，起到对所提取的特征做调整的目的。104、通过PN学习对分类器的分类结果进行评估。PN学习，即肯定约束否定约束学习，英文全称为positiveconstraintnegativeconstraintlearning。在一种具体的实现方式中，根据预设的约束条件，通过PN学习训练分类器。当分类检测结果中存在与约束条件矛盾的样本时，将与约束条件矛盾的样本添加到分类器的训练样本集，迭代训练分类器直到约束条件满足时，输出目标红外图像的正样本，图1中用“经过评估后的正样本”表示。以正样本为绝缘子的子图像块为例。利用Softmax回归分类之后，输入样本x被判别为绝缘子，即为正样本。若该样本x满足约束条件，则即可断定其确实是前景目标——绝缘子。若该样本不满足约束条件，则重新赋予该样本标签(图1中用“样本校正”表示)，并加入到训练样本集，重复迭代训练，直到满足约束条件为止。约束条件可以根据输电线路的实际情况进行设置，例如约束条件具体可设置为：前景目标是否在输电导线的附近区域。之所以如此设置时因为红外图像中的线状目标较其它目标来说更为显著。需要说明的一点是，Softmax回归的判别参数Ψ可设置为一个相对较小的值，那么就会产生数量较多的正样本。因此，在PN学习过程中，就会有较多的样本会返回到训练样本进行重复迭代训练，这样可以在很大程度上提高分类器的检测效率。105、对正样本进行温度分析，输出缺陷判别结果。采用相对温度法判断识别出的电力元件是否存在热缺陷，即依据设备热谱图像中的相对温差，计算出电力元件相对温升值，比较正常状态的温升，基于温度分析输出缺陷判别结果。本发明的实施例所提供的输电线路缺陷的检测方法，利用机器学习的方法实现对红外图像特征的自动学习，相对于图像分析的手段，机器学习得到的特征对红外图像信息有更本质的刻画，清晰地体现了红外图形与输电线路缺陷之间的关系，另外机器学习得到的特征还有利于对不同类型缺陷的做分类检测，从而提高对输电线路缺陷的判断准确率。进一步地，本发明的实施例在典型深度卷积神经网络的基础上引入PN机制，利用训练样本和测试样本之间存在的结构性特征来逐步训练输电线路多种缺陷的分类器，并且有效改善分类器的分类性能。本发明的实施例还提供一种输电线路缺陷的检测装置，用于执行上述实施例中所描述的检测方法。检测装置所执行的步骤，与图1所对应的实施例中所描述的步骤相同，此处只作简要说明。结合图2所示，检测装置20包括：训练单元201，用于通过非监督学习确定特征提取器，特征提取器为红外图像与红外图像的数据特征之间的映射函数。特征提取单元202，用于获取目标红外图像，并通过特征提取器提取得到目标红外图像的数据特征。其中，目标红外图像为输电线路的红外图像。分类检测单元203，用于利用分类器对目标红外图像的数据特征进行分类检测，识别出目标红外图像的正样本。其中，正样本为输电线路上电力元件的红外图像样本。温度分析单元204，用于对正样本进行温度分析，输出缺陷判别结果。可选的，检测装置20还包括肯定约束否定约束PN学习单元，用于根据预设的约束条件，通过PN学习训练分类器。分类检测单元203，具体用于当PN学习单元确定分类检测结果中存在与约束条件矛盾的样本时，将与约束条件矛盾的样本添加到分类器的训练样本集，迭代训练分类器直到约束条件满足时，输出目标红外图像的正样本。可选的，分类检测单元203，还用于利用已标注数据集修正训练单元201确定的特征提取器。可选的，训练单元201，具体用于将无标签图像进行分块操作，并从中随机提取至少一个子图像块。对至少一个子图像块的数据进行预处理。利用稀疏自编码算法来学习得到特征提取器。可选的，特征提取单元202，具体用于从红外图像中随机选取一个图像块，利用特征提取器，从一个图像块的数据中学习到基本特征，将基本特征跟原红外图像的各个子图像块做卷积，得到各个子图像块各自的卷积特征。本发明的实施例所提供的输电线路缺陷的检测装置，利用机器学习的方法实现对红外图像特征的自动学习，相对于图像分析的手段，机器学习得到的特征对红外图像信息有更本质的刻画，清晰地体现了红外图形与输电线路缺陷之间的关系，另外机器学习得到的特征还有利于对不同类型缺陷的做分类检测，从而提高对输电线路缺陷的判断准确率。进一步地，本发明的实施例在典型深度卷积神经网络的基础上引入PN机制，利用训练样本和测试样本之间存在的结构性特征来逐步训练输电线路多种缺陷的分类器，并且有效改善分类器的分类性能。以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页1 2 3