[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

说明书

本发明涉及一种基于集成学习的输电设备自动故障识别方法，包括以下步骤：获得包含电力设备的源图像，进行目标识别并裁取设备子图像；再将截取到的设备子图像通过深度学习技术进行分类，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。本发明可以更全面地挖掘图像信息，减少由于图像质量带来的训练误差；通过多模型融合检测的集成学习方法，能够有效解决单模型检测带来的由于模型本身设计性缺陷导致的误差及有限的泛化能力，提高了检测的准确率。

技术领域

本发明涉及数字图像处理、深度学习、目标识别技术领域。具体说的是基于深度学习、支持向量机对于图像及其纹理特征模型融合检测的输电网设备安全状态及故障类型自动判断识别的技术。

背景技术

中国的电网飞速发展，对电网安全运行各阶段智能化要求以及对人工成本的削减的要求提高。电网线路上设备组成较为复杂，而且设备工作关联的紧密性较强，潜在隐患可能导致大规模的供电故障，所以及时、有效的检测是必不可少的。

线路的人工检测存在慌检、漏检、误检的情况，减少人工成本同时也是必然趋势。然而现有的智能检测方法多通过深度学习单模型进行图像的目标检测，由于所选模型的固有问题，识别及判断准确度、泛化能力有待提高。并且目前智能检测方法多针对于某一目标设备或是某一种缺陷，不能够对输电线路整体缺陷与故障检测。

发明内容

针对上述技术不足，本发明的目的提供一种基于集成学习预测的输电网自动故障识别方法。该方法可以在电网输电线路检修工作中，快速高效准确地检测输电线路之中关键设备的潜在隐患以及故障类型。

本发明解决其技术问题所采用的技术方案是：一种基于集成学习的输电设备自动故障识别方法，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。

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。

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。

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；