[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

说明书

本发明提供的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，涉及数字电力技术领域。为解决变电站避雷器破损样本图片少、图像检测模型识别成功率低的问题，提出了一种基于正样本学习的变电站避雷器破损识别方法。该方法首先进行对滤图像噪声数据，再采用边缘点检测算法判断出变电站避雷器的图像区域；最后采用图像语义分割算法提取变电站避雷器的图像区域数据。在此基础上，采用正常避雷器样本特征数据对卷积神经网络进行训练，获得正确变电站避雷器正样本数据；并将有缺陷的图片和正样本进行比较，识别有差异的特征，有差异的即为避雷器破损区域。

技术领域

本发明涉及数字电力技术领域，尤其涉及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。

背景技术

随着中国无人值守变电站建设工作的逐步推进，变电站内避雷器破损发现难的问题日益凸显。无人值守变电站具有数量大、分布广等特点，传统的监测手段不能识别避雷器破损情况。电网公司运检人员依赖人工巡检发现避雷器破损情况，该类巡检方式工作量大，占用时间长，同时，由于城区巡检交通拥堵造成的在途时间长等问题，导致变电站巡检耗时较长，不能满足智能电网的需要。

现有文献提出了一种基于深度卷积网络的变电站避雷器破损识别方法，通过非线性函数学习避雷器破损样本，提高变电站避雷器识别成功率。此外，现有文献提出了一种基于胶囊改进网络的变电站避雷器破损识别方法，通过对针式、蝶式避雷器破损形态学习，从而提高变电站避雷器识别成功率。现有文献还提出了一种基于YOLOv2网络的变电站避雷器破损识别方法，通过对多视觉的破损样本训练，提高变电站避雷器识别成功率。现有文献中提出到了一种基于Scaled-YOLOv4的变电站避雷器破损识别方法，通过网络收集的避雷器破损样本库对模型进行训练，提高变电站避雷器识别成功率。

由此可见，变电站避雷器破损识别方法多样，但上述方法均采用缺陷样本学习方法进行变电站避雷器破损识别，但中国变电站避雷器破损数量少，现有图片不能覆盖所有的变电站避雷器破损类型，模型的训练效果不佳，不能满足正确识别破损的需要。变电站运维检修人员仍然依赖人工读图的方式发现变电站避雷器破损情况。

因此，有必要提供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来解决上述之一技术问题。

发明内容

为解决上述技术问题之一，本发明提出一种基于正样本学习的变电站避雷器破损识别方法，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。

具体的，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。

具体的，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。

具体的，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。