【技术实现步骤摘要】
本专利技术属于图像处理、遥感影像和计算机视觉，特别涉及基于miniimagenet数据集辅助训练小样本学习输电线路缺陷识别方法。
技术介绍
1、电力系统由供配电网、发电厂和电力用户组成。发电厂利用不同能源来源(如化石燃料、水力、核能、风能和太阳能等)转换为电能。输电网将这些电能通过高压输电线路传输到各地区，配电网将电能分配给终端用户。电力用户包括家庭、工业、商业和公共机构等。他们通过接入配电网来获取所需电能，用于照明、供暖、生产等各种用途。为确保电能供应的安全可靠，电力系统需要监控和控制系统。监控系统实时监测电力系统状态、负荷情况和故障，并检测异常情况。控制系统根据监测到的信息对发电厂和配电网进行调节和控制，以保持系统平衡和稳定。电力系统的安全可靠运行至关重要。它将自然能源转化为电能，并通过输电线路传输给用户，满足各个领域的电力需求。
2、随着人民生活水平的提高，输电线路的普及程度和总长度不断增加。为了确保输电线路的安全运行，定期的检修和维护工作至关重要。这包括定期巡检线路、清理周围环境，及时发现和解决潜在故障和风险。同时，采用先进的监测和保护技术，如智能感知装置和远程监控系统，能够实时监测线路状态，及时应对异常情况，提高线路的安全性和可靠性。需要着重加强线路的维护和管理，采取有效措施确保其可靠性和供应能力。
3、我国地域广阔，复杂的气候条件对输电线路的材料构成了考验，容易导致损坏。特别是在台风、暴雨、高温、寒冷、雨雪和冰霜等极端天气的影响下，输电线路的损坏风险进一步增加。此外，自然界产生的雷击等高电压现
4、由于输电线路的缺陷并不容易采集，且数据收集成本较高，因此需要在小样本条件下进行输电线路的缺陷识别，降低人工巡检、人工数据标注等成本，从而实现输电线路缺陷识别，保障电力系统的正常运行。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提供了一种基于预训练模型的小样本学习输电线路缺陷识别方法，该方法解决了传统检测方法精度低、成本高以及无法测量形状复杂零件的技术缺陷。
2、本专利技术的第一方面提供了基于miniimagenet数据集辅助训练的的小样本学习输电线路缺陷识别方法，包括以下步骤：
3、s1、获取输电线路缺陷样本数据，并进行数据预处理，制作图像数据集；
4、s2、将图像数据集入小样本学习模型中进行元学习训练和测试，同时将全局预测得分作为辅助目标，利用预测的局部相似性得分和全局相似性得分校准参数度量空间；
5、s3、将待测输电线路缺陷样本输入模型中进行精确预测识别。
6、优选地，所述步骤s2中，将图像数据集入小样本学习模型中进行元学习训练和测试，具体步骤为：
7、a1、在元学习阶段，输入为3 way 20 shot方式下采样的图像，将输入图像分为支持集图像xs和查询集图像xq；
8、a2、将支持集图像xs和查询集图像xq输入嵌入网络之后，得到支持集图像特征fs和查询集图像特征fq，然后进行相似性测量，并基于特征fs和fq进行局部部分的相似性得分预测，输出ds和dq；
9、a3、由knn局部分支计算得到局部度量分数rloc；由mmd全局分支计算全局度量分数rglo；
10、a4、使用局部度量分数rloc和全局度量分数rglo计算整体的优化损失；
11、a5、梯度更新对模型进行优化；
12、a6、测试阶段仅使用局部分支进行测试。
13、优选地，所述局部相似性得分的预测，包括以下步骤：
14、为实现局部视角，将每个样本的特征分为m组，称为深度局部描述符，具体如下所示：
15、
16、
17、其中，c表示类别数，z表示每个类别的支持集样本数，m和n分别表示查询集样本数；对于每个查询样本，可得到每个qi的局部相似性得分rloc：
18、
19、
20、
21、其中，·k运算指的是k近邻(knn)算法。
22、(2)所述全局相似性得分的预测，包括以下步骤：
23、a31、在特征嵌入之后加入一个特征重组模块；
24、a32、将特征fs和fq输入特征提取重组模块，获得ds和dq，可用下面公表示：
25、q，k，v＝conv(f)
26、d＝fc(conv([conv(conv(k)，q])*conv(v)+k))
27、其中，conv表示卷积操作，fc表示全连接层；
28、a33、进一步得到支持集和查询集的潜在特征可表示如下：
29、
30、dq＝[dq1,...,dqn]
31、其中，表示支持集中第j类中第i个样本的潜在特征，dqn表示查询集物种n样本的潜在特征；
32、a34、全局相似性得分预测整合mmd指标，计算dqn与同一类别中的样本之间的语义一致性，mmd距离的计算方法如下：
33、
34、其中，矩阵的迹表示为tr(·)，函数φm(·)＝φ(·,·)表示多核函数，这表明原始特征的计算是在多个不同的高维度量空间中进行的，多核函数的公式如下：
35、
36、
37、
38、
39、a35、得到第n个查询样本的全局相似性得分rglo为mmd距离的负值，具体表示如下：
40、rglo(dqn,dsc)＝-mmd(dqn,dsc)。
41、优选地，在进行模型训练前，所述将输电线路缺陷样本图像数据的像素大小进行尺寸放缩，限制图像长边不超过84，短边不超过84，图像的通道数转换为3通道的彩色图像，并使用conv64作为模型的嵌入网络。
42、本专利技术具备如下有益效果：
43、本专利技术在小样本条件下进行电力缺陷识别，模型通过局部与全局识别的结合，提升模型对电力缺陷的识别能力，还解决了小样本条件下电力设备缺陷识别难的问题。本专利技术对不同缺陷具有较好的识别效果，能够在实际应用中有效地代替人工识别异常缺陷的过程，极大地减少人力物力的损耗。
本文档来自技高网...【技术保护点】
1.基于miniImageNet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于miniImageNet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，所述步骤S2中，将图像数据集入小样本学习模型中进行元学习训练和测试，具体步骤为：
3.根据权利要求2所述的基于miniImageNet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，所述局部相似性得分的预测，包括以下步骤：
4.根据权利要求3所述的基于miniImageNet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，所述全局相似性得分的预测，包括以下步骤：
5.根据权利要求1所述的基于miniImageNet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，在进行模型训练前，所述将输电线路缺陷样本图像数据的像素大小进行尺寸放缩，限制图像长边不超过84，短边不超过84，图像的通道数转换为3通道的彩色图像，并使用Conv64作为模型的嵌入网络。
6.根据权利要求2所述的基于min
...【技术特征摘要】
1.基于miniimagenet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于miniimagenet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，所述步骤s2中，将图像数据集入小样本学习模型中进行元学习训练和测试，具体步骤为：
3.根据权利要求2所述的基于miniimagenet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在于，所述局部相似性得分的预测，包括以下步骤：
4.根据权利要求3所述的基于miniimagenet数据集辅助训练小样本学习输电线路缺陷识别方法，其特征在...
【专利技术属性】
技术研发人员：杨阳，李钧涵，李北辰，郎玥，何元，张永刚，尹宾宾，翟文广，侯广琦，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。