本發(fā)明涉及電力元件檢測領(lǐng)域，尤其涉及一種輸電線路缺陷的檢測方法及裝置。
背景技術(shù)：
：電力工業(yè)是國民經(jīng)濟(jì)的重要基礎(chǔ)，它為國民經(jīng)濟(jì)及其他部門提供基本動力，是國家經(jīng)濟(jì)發(fā)展戰(zhàn)略中的重點(diǎn)。輸電線路穿越的地理環(huán)境復(fù)雜，遠(yuǎn)離主要交通干道，而且輸電線路在長期運(yùn)行中易受自然災(zāi)害及人為損傷等因素影響，導(dǎo)致導(dǎo)線斷股、絕緣子臟污、桿塔銹蝕等缺陷，此類缺陷的前期常伴隨有局部放電、局部溫升，增高等現(xiàn)象，將會嚴(yán)重影響電網(wǎng)的運(yùn)營安全。因此需要對線路進(jìn)行巡檢，及時發(fā)現(xiàn)排除線路缺陷?，F(xiàn)有技術(shù)中，利用直升機(jī)/無人機(jī)平臺，通過紅外線檢測技術(shù)對輸電線路上的各種設(shè)備進(jìn)行在線檢測，然后基于圖像識別技術(shù)對所獲取的紅外圖像進(jìn)行分析處理，從而確定線路缺陷。然而，實(shí)際使用環(huán)境中，受到復(fù)雜環(huán)境對輸電線各設(shè)備特征的影響，通過紅外線檢測技術(shù)獲取的圖像中含有大量的噪聲和復(fù)雜的背景信息，導(dǎo)致基于圖像識別技術(shù)的檢測方法對電力元件識別準(zhǔn)確率較低，存在比較嚴(yán)重的誤判率，因而對輸電線路缺陷的判斷準(zhǔn)確率不足。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的實(shí)施例提供一種輸電線路缺陷的檢測方法及裝置，能夠提高對輸電線路缺陷的判斷準(zhǔn)確率。為了達(dá)成上述目的，本發(fā)明采用如下解決方案：第一方面，提供一種輸電線路缺陷的檢測方法，包括：通過非監(jiān)督學(xué)習(xí)確定特征提取器，所述特征提取器為紅外圖像與紅外圖像的數(shù)據(jù)特征之間的映射函數(shù)；獲取目標(biāo)紅外圖像，并通過所述特征提取器提取得到所述目標(biāo)紅外圖像的數(shù)據(jù)特征；其中，所述目標(biāo)紅外圖像為輸電線路的紅外圖像；利用分類器對所述目標(biāo)紅外圖像的數(shù)據(jù)特征進(jìn)行分類檢測，識別出所述目標(biāo)紅外圖像的正樣本；其中，所述正樣本為輸電線路上電力元件的紅外圖像樣本；對所述正樣本進(jìn)行溫度分析，輸出缺陷判別結(jié)果。第二方面，提供一種輸電線路缺陷的檢測裝置，用于執(zhí)行第一方面所提供的檢測方法。本發(fā)明的實(shí)施例所提供的輸電線路缺陷的檢測方法及裝置，利用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)對紅外圖像特征的自動學(xué)習(xí)，相對于圖像分析的手段，機(jī)器學(xué)習(xí)得到的特征對紅外圖像信息有更本質(zhì)的刻畫，清晰地體現(xiàn)了紅外圖形與輸電線路缺陷之間的關(guān)系，另外機(jī)器學(xué)習(xí)得到的特征還有利于對不同類型缺陷的做分類檢測，從而提高對輸電線路缺陷的判斷準(zhǔn)確率。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明的實(shí)施例所提供的輸電線路缺陷的檢測方法流程示意圖；圖2為本發(fā)明的實(shí)施例所提供的輸電線路缺陷的檢測裝置結(jié)構(gòu)示意圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。實(shí)施例本發(fā)明的實(shí)施例提供一種輸電線路缺陷的檢測方法，結(jié)合圖1所示，包括以下步驟：101、通過非監(jiān)督學(xué)習(xí)確定特征提取器。特征提取器為紅外圖像與紅外圖像的數(shù)據(jù)特征之間的映射函數(shù)。設(shè)置一個沒有帶類別標(biāo)簽的紅外圖像訓(xùn)練樣本集合X＝{xa,xb,xc,…}，通過該集合進(jìn)行訓(xùn)練，完成非監(jiān)督學(xué)習(xí)過程。非監(jiān)督學(xué)習(xí)過程可包括以下幾個子步驟：101-1、將無標(biāo)簽圖像進(jìn)行分塊操作，并從中隨機(jī)提取至少一個子圖像塊。101-2、對至少一個子圖像塊的數(shù)據(jù)進(jìn)行預(yù)處理。圖像的整體明亮程度并不會影響對圖像中物體的分析，也就是說，可以忽略圖像塊的平均亮度值，所以可以減去平均亮度值來進(jìn)行均值規(guī)整化。紅外圖像具有平穩(wěn)特性，通常在第一步需要對每個數(shù)據(jù)樣本分別做均值規(guī)整化，并且除以標(biāo)準(zhǔn)差，以規(guī)整化。然后采用主成分分析(英文全稱：principalcomponentanalysis，英文簡稱：PCA)或者零相位成分分析(英文全稱：zero-phasecomponentanalysis，英文簡稱：ZCA)白化處理，以達(dá)到低通濾波的效果。PCA是一種能夠極大提升無監(jiān)督特征學(xué)習(xí)速度的數(shù)據(jù)降維算法。使用圖像來訓(xùn)練算法，因?yàn)閳D像中相鄰的像素高度相關(guān)，輸入數(shù)據(jù)是有一定冗余的，PCA算法可以將輸入數(shù)據(jù)向量轉(zhuǎn)換為一個維數(shù)低很多的近似向量，而且誤差非常小。白化為一個與PCA相關(guān)的預(yù)處理步驟，由于圖像中相鄰像素之間具有很強(qiáng)的相關(guān)性，所以用于訓(xùn)練時輸入是冗余的，白化的目的就是降低輸入的冗余性。101-3、利用稀疏自編碼算法來學(xué)習(xí)得到特征提取器。利用稀疏自編碼算法來學(xué)習(xí)特征映射，即特征提取器。特征提取器為紅外圖像與紅外圖像的數(shù)據(jù)特征之間的映射函數(shù)。對數(shù)據(jù)進(jìn)行預(yù)處理后，通過非監(jiān)督學(xué)習(xí)算法來學(xué)習(xí)特征。可以把非監(jiān)督學(xué)習(xí)算法看成一個黑盒子。它接收輸入，然后產(chǎn)生一個輸出。可以表示為一個函數(shù)映射函數(shù)，把一個N維的輸入向量xi映射為一個K維的特征向量。稀疏自編碼算法，用反向傳播算法(英文全稱：Backpropagationalgorithm，英文間稱：BP算法)訓(xùn)練一個含有K個隱藏節(jié)點(diǎn)的自動編碼機(jī)，代價函數(shù)是重構(gòu)均方誤差，并存在一個懲罰項(xiàng)，主要限制隱藏節(jié)點(diǎn)，使其保持一個低的激活值。算法輸出一個權(quán)值矩陣W(K×N維)和一組基B(K維)，特征提取器為：f(x)＝g(Wx+b)。其中，x為N維的輸入向量，g(z)＝1/(1+e^(-z))是sigmoid函數(shù)，對向量z的每一個元素求值。102、獲取目標(biāo)紅外圖像，并通過特征提取器提取得到目標(biāo)紅外圖像的數(shù)據(jù)特征。其中，目標(biāo)紅外圖像為輸電線路的紅外圖像。從紅外圖像中隨機(jī)選取一個圖像塊，利用特征提取器，從選取一個圖像塊的數(shù)據(jù)中學(xué)習(xí)到一些基本特征，將這些基本特征作為探測器，跟原紅外圖像的各個子圖像塊做卷積，得到各個子圖像塊各自的卷積特征?？蛇x的，在通過卷積獲得各個子圖像塊各自的卷積特征之后，若利用這些特征直接做分類，將面臨很大的計(jì)算量。因此，為了描述大尺寸圖像，對不同位置的特征進(jìn)行聚合統(tǒng)計(jì)，這種聚合的操作即為池化(英文：pooling)，池化是在卷積特征提取的基礎(chǔ)上，對每個卷積特征進(jìn)行取平均等，繼續(xù)縮小隱藏節(jié)點(diǎn)對于的卷積特征維數(shù)，減小分類器的計(jì)算量。也就是說，把卷積特征劃分到數(shù)個不相交區(qū)域上，用這些區(qū)域的平均或最大特征來獲取池化后的卷積特征。這些統(tǒng)計(jì)特征不僅具有低得多的維度(相比原始卷積特征)，同時還會避免過擬合。經(jīng)過池化后的特征便可以用來做分類了。103、利用分類器對目標(biāo)紅外圖像的數(shù)據(jù)特征進(jìn)行分類檢測。分類器通過分類檢測，識別出目標(biāo)紅外圖像的正樣本和負(fù)樣本，其中，正樣本為輸電線路上電力元件的紅外圖像樣本，可稱為前景目標(biāo)的紅外圖像樣本，負(fù)樣本為背景的紅外圖像樣本等無效樣本。在一種具體的實(shí)現(xiàn)方式中，采用Softmax回歸模型對輸電線路上的多種缺陷進(jìn)行分類檢測。設(shè)置一個帶標(biāo)簽的訓(xùn)練樣本集(x(i),y(i))＝{(x(1),y(1)),(x(2),y(2)),(x(3),y(3)),…}，其中y(i)∈{1，2，…k}，k為輸電線路缺陷的種類數(shù)。對于給定的樣本輸入x，用假設(shè)函數(shù)針對每一個類別j估算出概率值p(y＝j(luò)│x)，也就是估計(jì)x的每一種分類結(jié)果出現(xiàn)的概率。Softmax的假設(shè)函數(shù)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為模型參數(shù)。以輸電線上的絕緣子為例，當(dāng)計(jì)算得到的輸入樣本x屬于絕緣子類別的概率值大于參數(shù)Ψ(可根據(jù)交叉驗(yàn)證法確定該參數(shù)值)時，即可判別該子圖像塊為正樣本，即絕緣子的紅外圖像塊。反之，若小于參數(shù)Ψ，判別該子圖像塊為負(fù)樣本，即背景的紅外圖像樣本等無效樣本。可選的，分類檢測之后，可以利用已標(biāo)注數(shù)據(jù)集進(jìn)行參數(shù)微調(diào)，起到修正特征提取器的作用。分類器整體上是一個大的神經(jīng)網(wǎng)絡(luò)。因此，在訓(xùn)練獲得模型最初參數(shù)(利用稀疏自編碼器訓(xùn)練第一層，利用Softmax回歸訓(xùn)練第二層)之后，可以對參數(shù)進(jìn)行微調(diào)，在現(xiàn)有參數(shù)的基礎(chǔ)上采用梯度下降或者共軛梯度下降法來降低已標(biāo)注數(shù)據(jù)集上的訓(xùn)練誤差。微調(diào)的作用在于，已標(biāo)注數(shù)據(jù)集也可以用來修正權(quán)值W，從而修正特征提取器f(x)＝g(Wx+b)，利用修正后的特征提取器提取特征，起到對所提取的特征做調(diào)整的目的。104、通過PN學(xué)習(xí)對分類器的分類結(jié)果進(jìn)行評估。PN學(xué)習(xí)，即肯定約束否定約束學(xué)習(xí)，英文全稱為positiveconstraintnegativeconstraintlearning。在一種具體的實(shí)現(xiàn)方式中，根據(jù)預(yù)設(shè)的約束條件，通過PN學(xué)習(xí)訓(xùn)練分類器。當(dāng)分類檢測結(jié)果中存在與約束條件矛盾的樣本時，將與約束條件矛盾的樣本添加到分類器的訓(xùn)練樣本集，迭代訓(xùn)練分類器直到約束條件滿足時，輸出目標(biāo)紅外圖像的正樣本，圖1中用“經(jīng)過評估后的正樣本”表示。以正樣本為絕緣子的子圖像塊為例。利用Softmax回歸分類之后，輸入樣本x被判別為絕緣子，即為正樣本。若該樣本x滿足約束條件，則即可斷定其確實(shí)是前景目標(biāo)——絕緣子。若該樣本不滿足約束條件，則重新賦予該樣本標(biāo)簽(圖1中用“樣本校正”表示)，并加入到訓(xùn)練樣本集，重復(fù)迭代訓(xùn)練，直到滿足約束條件為止。約束條件可以根據(jù)輸電線路的實(shí)際情況進(jìn)行設(shè)置，例如約束條件具體可設(shè)置為：前景目標(biāo)是否在輸電導(dǎo)線的附近區(qū)域。之所以如此設(shè)置時因?yàn)榧t外圖像中的線狀目標(biāo)較其它目標(biāo)來說更為顯著。需要說明的一點(diǎn)是，Softmax回歸的判別參數(shù)Ψ可設(shè)置為一個相對較小的值，那么就會產(chǎn)生數(shù)量較多的正樣本。因此，在PN學(xué)習(xí)過程中，就會有較多的樣本會返回到訓(xùn)練樣本進(jìn)行重復(fù)迭代訓(xùn)練，這樣可以在很大程度上提高分類器的檢測效率。105、對正樣本進(jìn)行溫度分析，輸出缺陷判別結(jié)果。采用相對溫度法判斷識別出的電力元件是否存在熱缺陷，即依據(jù)設(shè)備熱譜圖像中的相對溫差，計(jì)算出電力元件相對溫升值，比較正常狀態(tài)的溫升，基于溫度分析輸出缺陷判別結(jié)果。本發(fā)明的實(shí)施例所提供的輸電線路缺陷的檢測方法，利用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)對紅外圖像特征的自動學(xué)習(xí)，相對于圖像分析的手段，機(jī)器學(xué)習(xí)得到的特征對紅外圖像信息有更本質(zhì)的刻畫，清晰地體現(xiàn)了紅外圖形與輸電線路缺陷之間的關(guān)系，另外機(jī)器學(xué)習(xí)得到的特征還有利于對不同類型缺陷的做分類檢測，從而提高對輸電線路缺陷的判斷準(zhǔn)確率。進(jìn)一步地，本發(fā)明的實(shí)施例在典型深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入PN機(jī)制，利用訓(xùn)練樣本和測試樣本之間存在的結(jié)構(gòu)性特征來逐步訓(xùn)練輸電線路多種缺陷的分類器，并且有效改善分類器的分類性能。本發(fā)明的實(shí)施例還提供一種輸電線路缺陷的檢測裝置，用于執(zhí)行上述實(shí)施例中所描述的檢測方法。檢測裝置所執(zhí)行的步驟，與圖1所對應(yīng)的實(shí)施例中所描述的步驟相同，此處只作簡要說明。結(jié)合圖2所示，檢測裝置20包括：訓(xùn)練單元201，用于通過非監(jiān)督學(xué)習(xí)確定特征提取器，特征提取器為紅外圖像與紅外圖像的數(shù)據(jù)特征之間的映射函數(shù)。特征提取單元202，用于獲取目標(biāo)紅外圖像，并通過特征提取器提取得到目標(biāo)紅外圖像的數(shù)據(jù)特征。其中，目標(biāo)紅外圖像為輸電線路的紅外圖像。分類檢測單元203，用于利用分類器對目標(biāo)紅外圖像的數(shù)據(jù)特征進(jìn)行分類檢測，識別出目標(biāo)紅外圖像的正樣本。其中，正樣本為輸電線路上電力元件的紅外圖像樣本。溫度分析單元204，用于對正樣本進(jìn)行溫度分析，輸出缺陷判別結(jié)果?？蛇x的，檢測裝置20還包括肯定約束否定約束PN學(xué)習(xí)單元，用于根據(jù)預(yù)設(shè)的約束條件，通過PN學(xué)習(xí)訓(xùn)練分類器。分類檢測單元203，具體用于當(dāng)PN學(xué)習(xí)單元確定分類檢測結(jié)果中存在與約束條件矛盾的樣本時，將與約束條件矛盾的樣本添加到分類器的訓(xùn)練樣本集，迭代訓(xùn)練分類器直到約束條件滿足時，輸出目標(biāo)紅外圖像的正樣本?？蛇x的，分類檢測單元203，還用于利用已標(biāo)注數(shù)據(jù)集修正訓(xùn)練單元201確定的特征提取器。可選的，訓(xùn)練單元201，具體用于將無標(biāo)簽圖像進(jìn)行分塊操作，并從中隨機(jī)提取至少一個子圖像塊。對至少一個子圖像塊的數(shù)據(jù)進(jìn)行預(yù)處理。利用稀疏自編碼算法來學(xué)習(xí)得到特征提取器?？蛇x的，特征提取單元202，具體用于從紅外圖像中隨機(jī)選取一個圖像塊，利用特征提取器，從一個圖像塊的數(shù)據(jù)中學(xué)習(xí)到基本特征，將基本特征跟原紅外圖像的各個子圖像塊做卷積，得到各個子圖像塊各自的卷積特征。本發(fā)明的實(shí)施例所提供的輸電線路缺陷的檢測裝置，利用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)對紅外圖像特征的自動學(xué)習(xí)，相對于圖像分析的手段，機(jī)器學(xué)習(xí)得到的特征對紅外圖像信息有更本質(zhì)的刻畫，清晰地體現(xiàn)了紅外圖形與輸電線路缺陷之間的關(guān)系，另外機(jī)器學(xué)習(xí)得到的特征還有利于對不同類型缺陷的做分類檢測，從而提高對輸電線路缺陷的判斷準(zhǔn)確率。進(jìn)一步地，本發(fā)明的實(shí)施例在典型深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入PN機(jī)制，利用訓(xùn)練樣本和測試樣本之間存在的結(jié)構(gòu)性特征來逐步訓(xùn)練輸電線路多種缺陷的分類器，并且有效改善分類器的分類性能。以上，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。當(dāng)前第1頁1 2 3