[发明专利]一种局部放电图像匹配深度学习方法

说明书

本申请提供一种局部放电图像匹配深度学习方法，包括通过提取局部放电近景图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，并通过空间变换网络得到近景变换矩阵参数和远景变换矩阵参数，从而得到近景特征点和远景特征点，基于图像匹配算法对两者特征点进行匹配，得到局部放电近景图在局部放电远景图中所对应的位置，通过卷积神经网络对所述局部放电的放电类型进行识别。本申请提出一种局部放电图像匹配深度学习方法，能够将不同尺度，不同视角下的局部放电图像进行匹配定位，改善了由于局部放电近景图和局部放电远景图中尺寸和视角差异对不同放电类型的图像造成的影响，从而提高了对整个局部放电图像的识别精度。

技术领域

本申请涉及图像匹配技术领域，尤其涉及一种局部放电图像匹配深度学习方法。

背景技术

深度模型具有强大的学习能力和高效的特征表达能力，更为显著的是能够在像素级原始数据到抽象的语义概念之间，逐层提取信息，使得它在提取图像的全局特征和上下文信息方面具有突出的优势，为解决传统的计算机视觉问题(如图像分割和关键点检测)提供了新的思路。绝缘内部局部放电被广泛认为是导致电气设备绝缘劣化的重要因素，与高电压电气设备运行的安全性和可靠性具有密切联系。能够自动识别局部放电的放电类型，及时发现绝缘内部局部缺陷及放电发展程度，对防止绝缘事故的发生有重大意义。

目前，深度学习已经广泛应用于局部放电图像识别领域，但是对于不同角度、不同距离的局部放电的图像识别精度达不到要求。

发明内容

本申请提出一种局部放电图像匹配深度学习方法，以提高不同角度、不同距离的局部放电的图像识别精度。

本申请提出一种局部放电图像匹配深度学习方法，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；

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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。