基于协同表征双边自编码器的电网输电线路缺陷检测方法与流程

1.本发明涉及基于协同表征双边自编码器的电网输电线路缺陷检测方法，涉及电网输电线路缺陷检测技术领域。


背景技术：

2.随着我国经济飞速发展，电网的规模、复杂性、电压等级持续增长，电力消费需求和使用可靠性要求不断增加，电网安全与经济、民生、国家安全愈来愈密不可分，电网企业亟需对电网中缺陷进行高效和有效的识别。通常的电网巡检需要人工干预，这类方式存在高风险、高难度、耗时耗力，以及缺陷检测不及时等问题；电网输电线上的缺陷主要包括存在异物、部分零部件(如螺栓、绝缘子等)损坏或缺失等。
3.针对电网巡检的上述问题，沈茂东等在对faster r-cnn深入研究的基础上提出了新的输电线异物检测网络tlfod net，该模型在识别速度和精度上都有所提高。钱金菊等提出采用图像处理技术对输电线路进行检测，并使用adaboost算法对目标进行缺陷识别；yao等提取巡检图像中输电线和天空背景的颜色和纹理特征，以此作为svm分类器的训练数据。在检测阶段，根据预训练的svm分类器得到不同区域的得分，以此为依据将图像分割为天空区域、非天空区域和不确定区域，通过不确定区域周围的像素点属性逐渐将不确定区域归类合并，最终剩下的未合并区域就是异物所在位置。wang等则采用了ssd作为异物检测的主要算法，作者通过多次的对比实验证明数据增强对该任务模型的平均精度值有较大提升。guo等采用了faster r-cnn作为线上异物的检测算法。上述方法都对输电线上的缺陷进行了检测，并取得了一定的成效，但由于对数据的特征学习不够充分，从而导致模型的计算量偏大，检测的准确率低。
4.输电线是电力输送的载体，有学者提出了一种新的基于对象的各向异性加权惩罚马尔可夫随机场(omrf-awp)方法来进行输电线图像提取和识别。在不规则图模型的基础上定义了一个新的邻域系统并构造一个新势函数。通过omrf-awp方法来区分输电线段和其他线段。qin等则提出了针对激光雷达数据的输电线提取算法。绝缘子是电力系统中的重要组件，liao等提出了一种基于局部特征和空间顺序的航空图像绝缘子检测算法。该算法首先检测局部特征，并引入多尺度和多特征描述符来表示局部特征。最后通过从粗到精的匹配策略，消除背景噪声，确定绝缘子的区域。miao使用单次激发多盒检测来进行绝缘子划分提取。han等提出了一种级联模型用于绝缘子检测。
5.传统的特征学习方法如主成分分析等存在结构密集、获得的数据表征无法解释等问题。相比之下，自编码器在特征学习上受到了越来越多的关注；但原始自编码器的表征学习过程没有方向性且限制很弱。kim和mnih提出了一个因子变异自动编码器，其中引入了一个平衡项来更好地权衡容量和纠缠。chen等人进一步扩展了因子变异自动编码器。
6.综上所述，现有技术对于电网输电线缺陷检测虽然利用深度学习、计算机视觉进行缺陷识别，由于不对图片进行特征提取，导致模型计算量偏大、计算更耗时、容易过拟合；同时不能有效挖取图像的有价值信息，导致识别效果低和输电线缺陷检测的准确率不足的
问题。


技术实现要素：

7.本发明的目的在于，提供基于协同表征双边自编码器的电网输电线路缺陷检测方法，充分利用自编码器强大的表征学习能力来学习有效的数据表征，同时引入模糊隶属度以在训练过程中不断增强数据的双边判别性，提取并增强数据的双边表征；解决现有数据存在的数据判别性不足、现有方法存在的对数据分布有假设、依赖于先验信息等问题。
8.为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
9.基于协同表征双边自编码器的电网输电线路缺陷检测方法，通过电网输电线图像元数据预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。
10.进一步的，所述电网输电线图像预处理包括：
11.从样本和特征两个角度对元数据进行双边划分；
12.对划分得到的特征簇和样本簇使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。
13.进一步的，所述元数据的双边划分：
14.设计高斯混合模型，可以得到k个特征簇和l个样本簇：
[0015][0016][0017]
式中，表示第k个特征簇，表示第l个样本簇；输入数据被表示为一个数据矩阵x∈rd×n，包含n个样本，每个样本有d维度特征；第j个特征向量被定义为行向量fj＝{x
j1
，...，x
ji
，...，x
jn
}，第i个样本向量被定义为列向量xi＝{x
1i
；...；x
ji
；...；x
di
}c，x
ij
表示数据矩阵中的第i个样本的第j个特征。
[0018]
进一步的，所述隶属度信息的生成：
[0019]
对具有d维度特征和n个样本输入元数据划分了k个特征簇并生成d个特征隶属度，划分l个特征簇并生成n个特征隶属度；
[0020]
每个特征向量fs对其所属的特征簇具有大于零的隶属度ω
sk
，而对其他特征簇隶属度则为零；每个样本向量x
t
对其所属的样本簇具有大于零的隶属度v
tl
，而对其他样本簇隶属度则为零，如下式：
[0021][0022][0023]
特征隶属度和样本隶属度的具体计算公式如下：
[0024][0025][0026]
为特征向量fs对其所属特征簇的隶属度函数；的分布定义为多维独立高斯分布，其中第n列特征向量的分布为其中第n列特征向量的分布为分别为第n列的均值和方差；
[0027]
与ω
sk
的计算类似，对v
tl
来说，为样本向量x
t
对其所属样本簇的隶属度函数；的分布定义为多维独立高斯分布，其中第n行样本向量的分布为其中第n行样本向量的分布为分别为第n行样本向量的均值和方差。
[0028]
进一步的，所述协同表征双边自编码器算法目标公式为：
[0029][0030]
式中，λ是超参数，用来调节重建损失和协同判别性损失；是重建损失项，是协同判别性惩罚项，d(h
st
，u
k1
)表示h
st
，u
k1
两点的欧氏距离；h
st
是自编码器隐藏层中的第1个样本簇中第t个样本的第k个特征簇中第s个特征的特征值，u
k1
是第k个特征簇和第1个样本簇相交得到的块簇中心；n是样本的是数量，xn、分别表示重构前后第n个样本向量；l是样本簇的数量，k是特征簇的数量，s表示第k个特征簇中的第s列，t表示第l个样本簇中的第t行。
[0031]
进一步的，所述协同表征双边自编码器算法对获取的模糊信息训练：
[0032]
通过最小化可以促使自编码器的隐藏层学习到蕴含元数据潜在信息的表征；
[0033]
在生成的特征簇、样本簇和隶属度信息引入算法的训练过程；最小化协同判别性惩罚项表达了一种约束关系，即在每个特征簇与每个样本簇正交区域内，每个元素值都被驱使着相似于块中心，提高每个块的内部元素的相似性；
[0034]
训练过程中隐藏层数据的双边判别性会被不断增强。模型训练完成时，隐藏层表征即为最终的习得协同表征。
[0035]
进一步的，块中心u
kl
的计算方式为：
[0036][0037]
进一步的，所述隐藏层中习得元数据的协同判别表征，将得到的图像协同判别表
征输入到经典分类识别模型中，得到输电线缺陷检测协同识别的结果；
[0038]
所述经典分类识别模型为如卷积神经网络、支持向量机和决策树等识别模型。
[0039]
进一步的，所述电网输电线图像数据由无人机、激光雷达卫星获取。
[0040]
本发明的有益效果：
[0041]
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，充分利用自编码器强大的表征学习能力来学习有效的数据表征，同时引入模糊隶属度以在训练过程中不断增强数据的双边判别性，提取并增强数据的双边表征；解决现有数据存在的数据判别性不足、现有方法存在的对数据分布有假设、依赖于先验信息等问题。
[0042]
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，能够有效挖掘输入图像中的有价值信息，去除冗余信息，提高识别效率；
[0043]
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，在挖掘有效信息的同时增强数据的判别性，从而显著提升后续输电线缺陷检测的准确率；
[0044]
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，提取出数据的主要特征信息，减小后续识别算法在训练过程中的过拟合；解决现有技术中虽然利用深度学习、计算机视觉进行缺陷识别，由于不对图片进行特征提取，导致模型计算量偏大、计算更耗时、容易过拟合的问题。
[0045]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0046]
图1为本发明实施例所述基于协同表征双边自编码器的电网输电线路缺陷检测方法流程图；
[0047]
图2为本发明实施例所述基于协同表征双边自编码器的电网输电线路缺陷检测方法算法框架图；
具体实施方式
[0048]
为了更清楚地说明本发明实施例的技术方案，下面将结合附图对实施例对本发明进行详细说明。
[0049]
基于协同表征双边自编码器的电网输电线路缺陷检测方法，通过电网输电线图像元数据预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。
[0050]
下面结合具体实施例对本发明进行说明：
[0051]
如图1-2所示
[0052]
实施例1
[0053]
电网输电线图像元数据的模糊信息获得：
[0054]
模糊信息生成组件旨在输入元数据的双边表征信息，即每个数据元素的隶属度信息，为后续的模型训练组件做准备；
[0055]
输入数据被表示为一个数据矩阵x∈rd×n，包含n个样本，每个样本有d维度特征；第j个特征向量被定义为行向量fj＝{x
j1
，...，x
ji
，...，x
jn
}，第i个样本向量被定义为列向量xi＝{x
1i
；...；x
ji
；...；x
di
}c，x
ij
表示数据矩阵中的第i个样本的第j个特征。
[0056]
首先使用高斯混合模型从样本和特征两个角度对元数据进行双边划分，得到k个特征簇和l个样本簇：
[0057][0058][0059]
式中，表示第k个特征簇，表示第l个样本簇；
[0060]
然后基于划分得到的特征簇和样本簇，使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。每个特征向量fs对其所属的特征簇具有大于零的隶属度ω
sk
，而对其他特征簇隶属度则为零；每个样本向量x
t
对其所属的样本簇具有大于零的隶属度v
tl
，而对其他样本簇隶属度则为零，如下式：
[0061][0062][0063]
特征隶属度和样本隶属度的具体计算公式如下：
[0064][0065][0066]
为特征向量fs对其所属特征簇的隶属度函数。的分布定义为多维独立高斯分布，其中第n列特征向量的分布为其中第n列特征向量的分布为分别为第n列的均值和方差。
[0067]
与ω
sk
的计算类似，对v
tl
来说，为样本向量x
t
对其所属样本簇的隶属度函数。的分布定义为多维独立高斯分布，其中第n行样本向量的分布为的分布定义为多维独立高斯分布，其中第n行样本向量的分布为分别为第n行样本向量的均值和方差。
[0068]
模糊信息生成组件最终对具有d维度特征和n个样本输入元数据划分了k个特征簇并生成d个特征隶属度，划分l个特征簇并生成n个特征隶属度；获取到输入信息对其所属簇的模糊信息。
[0069]
实施例2
[0070]
协同表征双边自编码器算法对获取的模糊信息训练：
[0071]
首先，自编码器的网络结构是对称的，由三层组成：输入层、隐藏层和输出层。输入
样本向量输出隐藏层d表示样本的维度，m表示隐藏层数据的维度。输出可以看作是输入x的重构。隐藏层和输入层之间通过加权矩阵w∈rm×d和偏置项b1∈rm×1进行连接，和输出层之间通过w
t
∈rd×m和偏置项b2∈rd×1进行连接。
[0072]
h＝σ(wx+b1)
[0073]
σ是激活函数，σ(x)＝1/(1+exp(-x))。同理，可表示为下式(8)：
[0074][0075]
自编码器的损失函数如下所示：
[0076][0077]
均方误差用来逼近输入与输出，尽量让输入与输出保持一致。上式中表示向量的二范数。
[0078]
协同表征双边自编码器算法的目标公式如下：
[0079][0080]
目标公式中，λ是超参数，用来调节重建损失和协同判别性损失。是重建损失项，是协同判别性惩罚项，d(h
st
，u
k1
)表示h
st
，u
k1
两点的欧氏距离。n是样本的是数量，xn、分别表示重构前后第n个样本向量。l是样本簇的数量，k是特征簇的数量，s表示第k个特征簇中的第s列，t表示第1个样本簇中的第t行。
[0081]
通过最小化可以促使自编码器的隐藏层学习到蕴含元数据潜在信息的表征。在模糊信息生成组件生成的特征簇、样本簇和隶属度信息引入算法的训练过程。最小化协同判别性惩罚项表达了一种约束关系，即在每个特征簇与每个样本簇正交区域内，每个元素值都被驱使着相似于块中心，提高每个块的内部元素的相似性。这种驱使的强度是柔性变化的，由每个元素对应的特征隶属度和样本隶属度乘积表示决定；
[0082]
块中心u
kl
的计算方式为：
[0083][0084]
目标公式的求解：
[0085]
为了便于数学推理，下文中xn，hn，均为列向量；选用logistic函数作为激活函数。a，b两向量的欧氏距离如下：
[0086][0087]
自变量参数θ∈{w
ij
，b
1i
，b
2i
}，w
ij
是自编码器的权重参数，b
1i
，b
2i
分别为样本i对应
的隐藏层和输出层偏置项。可以分为j
erro
和j
coll
对θ分别求导：
[0088][0089][0090][0091]jerro
对θ求导：
[0092][0093][0094][0095]jcoll
对θ求导：
[0096][0097][0098][0099]
[0100][0101][0102][0103][0104]
训练采用批梯度下降法，在每个训练批次中计算各参数对应的梯度并进行参数更新，更新公式为，式中ρ为学习率：
[0105][0106][0107][0108]
随着模型的训练，可以求得使目标函数取最小值的参数θ∈{w
ij
，b
1i，b2i
}。训练过程中隐藏层数据的双边判别性会被不断增强。模型训练完成时，隐藏层表征即为最终的习得协同表征。
[0109]
基于模型损失最小化时的网络权重和偏置，可以得到既有价值又具有判别性的图像表征。随后将得到的图像表征输入到经典的分类识别模型中，如卷积神经网络、支持向量机和决策树等识别模型，最终得到输电线缺陷检测协同识别的结果。
[0110]
在本说明书的描述中，参考术语“一个实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0111]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。