基于GAN的输电线路巡检图像中故障识别方法及系统与流程

本发明涉及电力系统检修，具体是基于gan的输电线路巡检图像中故障识别方法及系统。

背景技术：

1、目前，为了克服人工进行输电线路巡检存在的问题，无人机巡检、人工智能等新技术不断被引入到输电线路巡检中，不仅提高了提高了巡检效率，还降低了成本。但目前基于人工智能的方法仍存在以下问题：首先，在实际的输电线路巡检图像数据中，正常样本往往远远多于故障样本。这导致模型倾向于过度学习正常样本，而对故障样本的识别效果较差。其次，输电线路巡检图像中的故障类型和形态可能非常多样化，模型难以同时适应不同类型的故障。以上问题都将会直接影响输电线路巡检的故障辨识效率和准确度。

技术实现思路

1、为了解决上述问题，本发明提供了一种适用于不同故障类型的、故障辨识效率和准确度高的基于gan的输电线路巡检图像中故障识别方法及系统。

2、为了达到上述目的，本发明是通过一下技术方案来实现的：

3、本发明是基于gan的输电线路巡检图像中故障识别方法，包括如下步骤：

4、自适应采集输电线路巡检图像数据；

5、基于sobel-kmeans提取输电线路巡检图像特征，包括利用sobel对输电线路巡检图像数据进行预处理，提取输电线路巡检图像特征，基于kmeans聚类算法锁定输电线路巡检图像特征；

6、基于gan构建输电线路故障模型库；

7、将基于sobel-kmeans提取的输电线路巡检图像特征与基于gan构建的输电线路故障模型库进行在线匹配，根据匹配结果，判断输电线路巡检图像中是否存在故障。

8、本发明的进一步改进在于：所述输电线路巡检图像数据表达式为：

9、

10、ixy＝i(x,y),x∈(1,2,…,m),y∈(1,2,...,n)  (2)；

11、(m,n)＝f(p,t)  (3)；其中，i为采集的输电线路巡检图像数据矩阵，m为输电线路巡检图像分割后的行数，n为输电线路巡检图像分割后的列数，ixy为输电线路巡检图像数据矩阵中的元素，x为行，y为列，i(x,y)为输电线路巡检图像的像素值，p为历史图像辨识的准确度，t为历史图像的辨识时间。

12、本发明的进一步改进在于：所述利用sobel对输电线路巡检图像数据进行的预处理包括高斯滤波处理、水平和垂直方向梯度计算、梯度幅值与梯度方向计算、非极大值抑制操作、双阈值检测和边缘跟踪操作，具体包括：

13、步骤a1，对输入的输电线路巡检图像进行高斯滤波处理，表达式如下：

14、g(x,y)＝i(x,y)·h(x,y)  (4)；

15、其中，g(x,y)为经过高斯滤波后的输电线路巡检图像的像素值，i(x,y)为输电线路巡检图像的像素值，h(x,y)为高斯滤波函数；

16、步骤a2，对经过高斯滤波后的输电线路巡检图像的像素值g(x,y)分别进行水平和垂直方向的梯度计算，表达式为：

17、gx(x,y)＝(g(x+1,y)-g(x-1,y))/2  (5)；

18、gy(x,y)＝(g(x,y+1)-g(x,y-1))/2  (6)；

19、其中，gx(x,y)为水平方向的梯度，gy(x,y)为垂直方向的梯度；

20、步骤a3，计算梯度幅值与梯度方向，表达式为：

21、

22、θ(x,y)＝arctan(gy(x,y)/gx(x,y))  (8)；

23、其中，gf(x,y)为像素点的梯度幅值，θ(x,y)为像素点的梯度方向；

24、步骤a4，在梯度方向上，保留输电线路巡检图像中梯度幅值最大的像素；

25、步骤a5，进行双阈值检测，通过设定阈值，将像素点分为强边缘、弱边缘，其中，梯度幅值大于阈值δ的像素点被标记为强边缘，梯度幅值小于阈值δ的像素点为弱边缘，当像素点的梯度幅值小于阈值δ时，剔除对应的像素值，将其梯度幅值设为0，表达式为：

26、gf(x,y)＝0, if gf(x,y)≤δ  (9)；

27、其中，δ为阈值；

28、步骤a6，边缘跟踪：将强边缘输电线路巡检图像像素点和与之相邻的弱边缘输电线路巡检图像像素点连接，得到初步处理数据，即输电线路巡检图像特征i1'：

29、

30、本发明的进一步改进在于：所述基于kmeans聚类算法锁定输电线路巡检图像特征具体为：利用kmeans聚类算法，对输电线路巡检图像特征i1'进行聚类操作，得到若干类输电线路巡检图像特征，利用输电线路巡检图像特征方向相似性原理，剔除不属于输电线路的数据，锁定最终的输电线路巡检图像特征，具体步骤包括：

31、步骤b1，确定样本集；

32、

33、{μ1,μ2,…,μk}  (12)

34、其中，m1为样本数量,di为第i个样本，d为数据集，μk为第k个质心向量,i′1(x,y)为经过特征提取得到的输电线路巡检图像的像素值；

35、步骤b2，计算样本di和各个质心向量μj的距离lij,其中j＝1,2,…,k，将样本di标记最小的距离lij归入第j个聚类集合cj；

36、

37、步骤b3，重新计算样本的质心，返回步骤b2，直到所有样本计算归类完成；d为已经归类到第j个聚类集合cj中的样本集；

38、

39、步骤b4，得到最终的分类c；

40、c＝{c1,c2,…,ck}  (15)

41、其中，ck＝{i'1(xk,yk)}为第k个聚类集合，i'1(xk,yk)为像素点

42、步骤b5，利用输电线路巡检图像特征方向相似性原理，剔除不属于输电线路的数据，锁定最终的输电线路巡检图像特征，表示如下：

43、

44、ck＝0,ifθkz≠min(θ1z,θ2z,…,θkz)  (17)

45、

46、其中：θkz为第k个聚类集合ck中的方向系数，k1为第k个聚类集合ck中的图像点个数，为第k个聚类集合ck中的第i1个元素的方向，为第k个聚类集合ck中的第j1个元素的方向，i'2为最终的输电线路巡检图像特征。

47、本发明的进一步改进在于：所述基于gan构建输电线路故障模型库具体操作包括：

48、收集输电线路故障样本x，输电线路故障样本x表达式为：

49、x＝[x1,x2,x3…,xn1]  (19)

50、x＝f(pr)  (20)

51、z＝f(pz)  (21)

52、其中，x为输电线路故障样本，为第n1组输电线路故障样本的特征向量，f(pr)为输电线路故障样本的特征向量x的实际分布，f(pz)为噪声向量z的高斯分布；利用gan训练输电线路故障样本x的输电线路巡检图像数据，生成输电线路巡检图像故障样本x'，gan的目标函数、生成器的损失函数和判别器的损失函数的表达式为：

53、

54、

55、

56、其中，为gan的目标函数，为实际分布f(pr)的期望，为噪声向量z的高斯分布f(pz)的期望，g(z)为生成器函数，d(x)为判别器函数，lg为生成器的损失函数，ld为判别器的损失函数；

57、构建输电线路巡检图像故障模型库ygz，输电线路巡检图像故障模型库ygz的表达式为：

58、ygz＝[x,x']  (25)。

59、本发明的进一步改进在于：所述将基于sobel-kmeans提取的输电线路巡检图像特征与基于gan构建的输电线路故障模型库进行在线匹配，根据匹配结果，判断输电线路巡检图像中是否存在故障的具体操作包括：

60、基于sobel-kmeans提取的输电线路巡检图像特征为i2′(j2)，图像个数为n2，基于gan构建的输电线路故障模型库为ygz(i2)，输电线路故障模型库中的模型个数为n1，根据表达式(26)对输电线路巡检图像特征为i2′(j2)与输电线路故障模型库为ygz(i2)进行在线匹配，若匹配成功，则判断输电线路巡检图像中存在故障，并得出故障类型；

61、pb＝find(ygz(i2)＝i′2(j2)),i2∈(1,2,3,…,n1),j2∈(1,2,3,…,n2)  (26)

62、其中，find()为匹配函数，ygz(i2)为第i2个输电线路故障模型。

63、本发明的基于gan的输电线路巡检图像中故障识别系统，所述系统包括信息采集模块、信息处理模块、故障模型库构建模块、匹配模块和预警模块；

64、所述信息采集模块，用于利用自适应方格数量采集技术对输电线路巡检图像进行数据自适应采集，得到输电线路巡检图像数据；

65、所述信息处理模块，用于对信息采集模块采集到的输电线路巡检图像数据进行处理，提取出输电线路巡检图像特征，包括利用sobel对输电线路巡检图像数据进行预处理，提取输电线路巡检图像特征，基于kmeans聚类算法锁定输电线路巡检图像特征；

66、所述故障模型库构建模块，用于构建输电线路故障模型库；

67、所述匹配模块，用于对信息处理模块提取的输电线路巡检图像特征与故障模型库构建模块构建的输电线路故障模型库进行匹配；

68、所述预警模块，用于在输电线路巡检图像特征与输电线路故障模型库匹配成功后进行预警。

69、本发明的进一步改进在于：所述故障模型库构建模块进行的操作包括：收集输电线路故障样本x，输电线路故障样本x表达式为：

70、

71、x＝f(pr)  (28)

72、z＝f(pz)  (29)

73、其中，x为输电线路故障样本，为第n1组输电线路故障样本的特征向量，f(pr)为输电线路故障样本的特征向量x的实际分布，f(pz)为噪声向量z的高斯分布；利用gan训练输电线路故障样本x的输电线路巡检图像数据，生成输电线路巡检图像故障样本x'，gan的目标函数、生成器的损失函数和判别器的损失函数的表达式为：

74、

75、

76、

77、其中，为gan的目标函数，为实际分布f(pr)的期望，为噪声向量z的高斯分布f(pz)的期望，g(z)为生成器函数，d(x)为判别器函数，lg为生成器的损失函数，ld为判别器的损失函数；

78、构建输电线路巡检图像故障模型库ygz，输电线路巡检图像故障模型库ygz的表达式为：

79、ygz＝[x,x']  (33)。

80、本发明的一种计算机存储介质，所述计算机存储介质存储有基于gan的输电线路巡检图像中故障识别的程序，基于gan的输电线路巡检图像中故障识别的程序被至少一个处理器执行时实现上述的基于gan的输电线路巡检图像中故障识别方法的步骤。

81、相对于现有技术，本发明的有益效果是：

82、为了在辨识准确度和辨识时间中寻找最优值，本发明将输电线路巡检图像分割为m×n的小方格，可以自适应的采集各小方格的像素值。

83、本发明基于gan生成适用于不同场景的输电线路故障模型库，提高输电线路巡检故障辨识效率和准确度，对保障电网安全具有重要意义。