[发明专利]一种局部放电图像匹配深度学习方法

权利要求书

1.一种局部放电图像匹配深度学习方法，其特征在于，包括：

基于局部放电近景图和局部放电远景图，提取局部放电近景图的矩特征和局部放电远景图的矩特征；

基于局部放电近景图的矩特征和局部放电远景图的矩特征，获取近景特征点概率图和远景特征点概率图；

通过空间变换网络对所述近景特征点概率图和所述远景特征点概率图进行图像变换，获取近景变换矩阵参数和远景变换矩阵参数，其中，所述空间变换网络包括用于预测所述近景特征点概率图和所述远景特征点概率图进行图像变换的本地化网络，以及用于近景特征点概率图和所述远景特征点概率图实施变换的网格生成器和采样器；

基于所述近景变换矩阵参数对所述近景特征点概率图进行变换，获取变换后的近景特征点；基于所述远景变换矩阵参数对所述远景特征点概率图进行变换，获取变换后的远景特征点；

基于图像匹配算法对所述近景特征点和所述远景特征点进行匹配，得到所述局部放电近景图在所述局部放电远景图中所对应的位置；

基于所述局部放电近景图、所述局部放电远景图以及所述局部放电近景图在所述局部放电远景图中所对应的位置，识别局部放电的放电类型。

2.根据权利要求1所述的一种局部放电图像匹配深度学习方法，其特征在于，所述基于局部放电近景图和局部放电远景图，提取局部放电近景图的矩特征和局部放电远景图的矩特征步骤中，通过卷积神经网络对所述局部放电近景图和所述局部放电远景图进行矩特征提取。

3.根据权利要求1所述的一种局部放电图像匹配深度学习方法，其特征在于，所述通过空间变换网络对所述近景特征点概率图和远景特征点概率图进行图像变换，获取近景变换矩阵参数和远景变换矩阵参数步骤中，所述图像变换包括平移、缩放、旋转、错切中的任意一种或几种。

4.根据权利要求1所述的一种局部放电图像匹配深度学习方法，其特征在于，所述基于近景变换矩阵参数对近景特征点概率图进行变换，获取变换后的近景特征点；基于远景变换矩阵参数对远景特征点概率图进行变换，获取变换后的远景特征点步骤中，所述近景特征点包括转折点、偏斜度、峭度、峰值中的任意一种或几种，所述远景特征点包括转折点、偏斜度、峭度、峰值中的任意一种或几种。

5.根据权利要求1所述的一种局部放电图像匹配深度学习方法，其特征在于，所述基于所述局部放电近景图、所述局部放电远景图以及所述局部放电近景图在所述局部放电远景图中所对应的位置，识别局部放电的放电类型步骤中，通过卷积神经网络对所述局部放电的放电类型进行识别。