[发明专利]一种基于正样本学习的变电站避雷器破损识别方法及装置

权利要求书

1.一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，包括图像数据采集步骤、图像特征提取步骤、正样本学习步骤和损破识别步骤；

图像数据采集步骤，采集变电站避雷器的图像数据，其中，所述图像数据包括待识别图像数据和正样本标准图像数据；

图像特征提取步骤包括：图像噪声数据过滤，通过噪声过滤算法对输入图像数据进行去噪处理，并得到去噪图像数据；避雷器边缘检测，通过边缘检测算法对输入图像中的避雷器图像进行边缘特征提取，并得到图像边缘特征数据；避雷器图像区域特征提取，通过语意分割算法并结合图像边缘特征数据，对输入图像中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据；

正样本学习步骤包括：高纬特征编码，通过对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据；高纬特征记忆，对正样本标准高纬特征数据和对应的去噪图像数据进行存储，得到正样本标准图像数据库；高纬特征解码，通过建立正样本学习模型，并通过正样本标准高纬特征数据进行训练，得到正样本重建模型，所述正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片；

破损识别步骤包括：图像对比，采集待识别图像数据和正样本标准图像数据，并分别通过图像特征提取步骤和正样本学习步骤进行处理，再通过图像对比算法计算差异，得到对比相似度；异常样本输出，将对比相似度低于正常样本阈值的图像数据进行输出，得到异常图像数据；异常区域获取，通过对异常图像数据的图像边缘特征数据进行差异对比，得到异常区域数据；避雷器破损输出，根据异常区域数据对异常图像数据进行划分，得到避雷器破损图像数据，并将避雷器破损图像数据进行输出，完成破损识别。

2.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述噪声过滤算法包括图像腐蚀和膨胀形态学计算；

所述图像腐蚀用于对输入图像数据进行高亮区域缩减，图像腐蚀表达式为：

其中，Fa为输入图像数据，J为卷积腐蚀模板，v为卷积模板类型，Jv为不同类型的卷积腐蚀模板；

所述膨胀形态学计算用于对经过图像腐蚀的输入图像数据进行膨胀去噪处理，得到去噪图像数据；膨胀形态学计算表达式为：

其中，Fa为输入图像数据，J为卷积膨胀模板，v为卷积模板类型，Jv为不同类型的卷积膨胀模板。

3.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述边缘检测算法通过Sobel算子边缘检测算法执行，包括获得输入图像数据的一阶梯度，再对输入图像数据四周的灰度加权差进行计算，并检测边缘处的极值；得到图像边缘特征数据。

4.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述语意分割算法通过DFANet网络进行部署；获取输入图像数据高维特征，并保留输入图像数据的空间信息；利用金字塔池化模组处理输入图像数据高维特征，得到图像区域特征数据。

5.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述正样本学习模型通过CNN卷积神经网络进行部署，所述CNN卷积神经网络的正向传播误差Ea为：

其中，n_a为训练用图像数据总数量，n_b为训练用图像数据的特征维度，S_i为不同的训练用图像数据，K_j为不同的CNN卷积神经网络输出；

所述CNN卷积神经网络的反向传播误差H_a为：

H_a＝(E_a×w_a)β×φ

其中，Ea正向传播误差，w_a为CNN卷积神经网络的层权重，Φ为传输灵敏度，β为激活函数。