[发明专利]基于多任务深度卷积神经网络的输电线路诊断方法和系统

权利要求书

1.一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征在于：包括步骤：

获取需要诊断的输电线路图像，并与正常图像对比，获取差异图像；

将差异图像输入预先训练得到的异常物类别分类用网络模型和异常物属性分类用网络模型，识别异常物的属性和类型；

所述异常物属性分类用网络模型是基于MMD距离迁移异常物类别分类用网络模型中的部分卷积层特征参数，并对剩余网络层进行再训练得到的；

其中，所述异常物属性分类用网络模型获取过程为：

将训练得到的异常物类别分类用网络模型中的卷积层和池化层的参数全部迁移作为异常物的属性分类用网络模型的初始参数，对异常物属性分类用卷积神经网络进行一次训练；

计算异常物类别分类用网络模型和属性分类用网络模型中的某一对应的卷积层输出之间的MMD距离，响应于MMD距离小于设定的阈值，将异常物属性分类用网络模型中该层卷积层及其之前的卷积层的特征参数固定；

对属性分类用网络模型的剩余网络层再训练，得到异常物属性分类用网络模型。

2.根据权利要求1所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述异常物类别分类用网络模型和属性分类用网络模型中的某一层卷积层输出之间的MMD距离为：

其中，k(.)是将卷积层输出变量向再生核希尔伯特空间映射的映射函数，X,Y分别表示属性分类和类别分类用网络模型对应的卷积层输出的两种特征分布的向量，卷积层输出的两种特征分布的向量的大小分别为m和n，i，j为整数序号，x_i为属性分类用网络模型中某卷积层输出向量中的第i个值,x_j为属性分类用网络模型中某卷积层输出向量中的第j个值，y_i为类别分类用网络模型中某卷积层输出向量中的第i个值，y_j为类别分类用网络模型中某卷积层输出向量中的第j个值。

3.根据权利要求1所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述异常物类别分类用网络模型和异常物属性分类用网络模型预先训练时的样本集获取方法为：对输电线路走廊异常物的图片样本进行预处理后再扩充。

4.根据权利要求3所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：所述预处理包括：对原始输电线路走廊异常物的图片样本筛选后提取异常物矩形框对应的图像，得到原始有效图片样本；

将原始有效图片样本的大小归一化，像素值二值化，得到预处理后的图像样本。

5.根据权利要求4所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：扩充方法包括以下一种或几种组合：异常物平移、仿射变换、弹性变换、细化/膨胀操作、加入噪声和制作负样本。

6.根据权利要求1所述的一种基于多任务深度卷积神经网络的输电线路诊断方法，其特征是：需要诊断的输电线路图像获取方法为：现场监控通过输电线路图像回传触发策略传回的输电线路图像；

输电线路图像回传触发策略包括：

按固定传输间隔回传拍摄的图片；

如果现场摄像机检测到的当前图片与正常图片的像素差异超过预设的阈值，则回传图片；

摄像机根据指令回传拍摄的图片。