[发明专利]一种基于集成学习的输电设备自动故障识别方法

权利要求书

1.一种基于集成学习的输电设备自动故障识别方法，其特征在于，包括以下步骤：

1)获得包含输电设备的源图像，进行目标识别并裁取设备子图像；

2)再将裁取到的设备子图像通过深度学习进行分类，同时提取设备子图像纹理特征通过支持向量机进行分类，然后将多种分类结果融合进行集成学习，得出故障识别结果；

3)将待检测的输电设备图像进行自适应故障检测。

2.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述进行目标识别并裁取设备子图像，包括以下步骤：

对源图像中设备的类别及区域进行标注，获得设备区域坐标、设备类别标签；源图像、设备类别标签和区域坐标作为训练样本，送入目标识别深度卷积网络中进行训练，获得目标识别网络模型；

将源图像输入目标识别网络模型，得到仅包含输电设备的设备子图像以及子图像信息，经清洗加噪处理后得到数据集T；所述设备子图像信息包括设备类别标签、在所属源图像中的位置坐标。

3.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，步骤2)包括以下步骤：

对于标有同一设备类别的设备子图像：

将数据集T中的样本二次标注，即按照输电设备类别增加含有故障类别的标签；

对数据集T提取图像的HOG纹理特征，选取部分纹理特征的特征向量送入第一分类器中进行分类，得到第一分类器模型，通过其余特征向量作为测试集检验该分类器模型；

从数据集T中选取部分设备子图像作为训练集送入第m个分类器中进行训练，获取第m个分类器模型，通过其余设备子图像作为测试集检验第m个分类器模型；m＝1，…，N-1，N为分类器个数；

将多个分类器进行集成学习，得到设备故障识别结果。

4.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述将多个分类器进行集成学习，得到设备故障识别结果，包括以下步骤：

从数据集T中选取部分样本构成I级训练集，共M个样本，样本随机分为n份，任两份样本数差值小于阈值；其中n-1份作为训练集，即II级训练集，剩余的1份作为测试集，即II级测试集；T数据集中除去I级训练集之后构成I级测试集；

将所述I级训练集的n份依次轮换，得到n个II级训练集及对应的n个II级测试集，将n个II级训练集分别在某一种分类器中进行训练得到n个模型，然后对对应的n个II级测试集进行预测得到M1、M2…Mn个预测值；

按照I级训练集各份的排序顺序拼接得I级训练集自身的M个预测值，N种分类器可获得N组训练集的自分类结果，每组训练集的自分类结果包含M个预测值，形成M个N维特征向量，记为特征矩阵X；

对于某一种分类器模型，使用n个训练好的模型对于I级测试集进行预测，得到n种单模型预测结果、每种单模型预测结果包含K个预测值，然后将n种预测结果取平均值得到K个预测值；N种分类器得N组预测结果、每组预测结果包含K个预测值，记为特征矩阵Y；

将特征矩阵X作为训练集送入支持向量机模型中进行训练，得到集成学习分类器模型；

将特征矩阵Y通过集成学习分类器模型进行分类，得到包含故障类别的识别结果。

5.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，步骤3)包括以下步骤：

将待检测的输电设备图像输入步骤1)中所得的目标识别网络模型中识别设备类别并裁减出待检测设备子图像；将待检测设备子图像按照设备类别输入步骤2)中所得的集成学习分类模型中，得到设备的故障类别。

6.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述第一分类器为支持向量机。

7.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述第m个分类器为深度卷积网络模型。

8.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述深度卷积网络模型为ResNet或DenseNet。

9.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述目标识别网络模型为Faster R-CNN。