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技术

本发明专利技术公开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。所述检测方法：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。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。依赖于先验信息等问题。

【技术实现步骤摘要】
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


[0001]本专利技术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


技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]本专利技术的目的在于，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。
[0008]为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
[0009]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。
[0010]进一步的，所述电网输电线图像预处理包括：
[0011]从样本和特征两个角度对元数据进行双边划分；
[0012]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。
[0013]进一步的，所述元数据的双边划分：
[0014]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∈R
D
×
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f
J
＝{x
j1
，...，x
ji
，...，x
jN
}，第i个样本向量被定义为列向量x
i
＝{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f
s
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f
s
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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.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，包括对电网输电线图像元数据预处理，再利用协同表征双边自编码器学习有效的数据表征，其特征在于：所述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。2.如权利要求1所述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，其特征在于：所述电网输电线图像预处理包括：从样本和特征两个角度对元数据进行双边划分；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。3.如权利要求2所述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，其特征在于：所述元数据进行双边划分：设计高斯混合模型，可以得到K个特征簇和L个样本簇：可以得到K个特征簇和L个样本簇：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∈R
D
×
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f
j
＝{x
j1
，...，x
ji
，...，x
jN
}，第i个样本向量被定义为列向量x
j
＝{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；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。4.如权利要求3所述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，其特征在于：所述隶属度信息的生成：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；每个特征向量f
s
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：如下式：特征隶属度和样本隶属度的具体计算公式如下：
为特征向量f
s
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；与...

【专利技术属性】
技术研发人员：张凌浩，常政威，徐厚东，唐勇，向思屿，庞博，王胜，张颉，刘雪原，陈亮，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：