一種基于半監督學習的電力設備缺陷檢測方法及設備技術

本發明專利技術公開了一種基于半監督學習的電力設備缺陷檢測方法及設備，獲取電力設備的高維圖像后，執行如下步驟：S1：基于拉普拉斯特征值映射的圖像降維算法對高維圖像進行降維操作，把降維后的數據作為輸入樣本；S2：根據輸入樣本的類標簽，基于最優反向預測算法來設定目標函數；S3：特征空間最優分解，以得到半監督笛卡爾K均值模型；S4：采用拉普拉斯正則化的最優反向預測算法構建半監督的量化模型；S5：半監督的量化模型的優化；S6：基于圖像的缺陷檢測系統根據優化半監督的量化模型。本發明專利技術將標記數據集成到量化步驟中，以提供標簽信息，減少數據重建誤差，并給出了優化半監督笛卡爾k均值的算法，使函數能夠得到最小值。使函數能夠得到最小值。使函數能夠得到最小值。

【技術實現步驟摘要】
一種基于半監督學習的電力設備缺陷檢測方法及設備


[0001]本專利技術屬于電力檢測
，尤其涉及電力設備缺陷檢測技術。

技術介紹

[0002]電力設備如變壓器、電容器、絕緣子等在工作過程中受機械壓力、強電場等的影響，極易產生破損、污穢、裂紋等缺陷，這些缺陷會增加用電事故發生概率，如果不及時檢測并更換，會導致嚴重的事故和巨大的經濟損失，因而電力設備缺陷檢測顯得尤為重要。電力設備存在缺陷的多少，直接反映出電力設備健康程度和巡檢質量，因此，電力設備缺陷檢測是輸電線路巡檢的一個重要組成部分。有效控制電力設備缺陷的發生，最大限度地減少同類缺陷的發生或者及時消除缺陷，從根本上提高電力設備的運行維護水平，是當前輸電線路巡檢的重大任務之一。
[0003]傳統的缺陷檢測方法有激光多普勒振動法、超聲波檢測法、紅外測溫法等，近年來隨著圖像處理技術的發展，一些研究人員提出基于圖像的策略來進行缺陷檢測。
[0004]為了克服以文本關鍵詞為特征的圖像檢索算法中的弊端，研究者們提出了基于圖像內容的圖像檢索理念。主要是運用圖像的形狀、顏色和紋理等特征與數據庫中的圖像進行相關信息的匹配來得到與之相似的圖片，避免了人為對圖像內容進行分類、標定等繁瑣復雜的工作，但檢索速度較慢。
[0005]近似最近鄰搜索以其在大型數據集上的高效檢索性能成為了近年來研究的熱點。為了減小計算量，已經提出并開發了許多數據結構和算法，其中一類是基于提升檢索結構性能的方法，主要方法大多基于樹形結構。另一類主要基于對數據本身的處理，包括哈希算法、量化算法等。
[0006]自量化算法提出以來，開發了許多擴展算法來提高其搜索性能。笛卡爾k均值擴展了乘積量化算法，并對經典k均值目標函數的線性映射矩陣施加了柱正交約束，使優化過程比傳統k均值更有效率。最佳乘積量化則在子碼本和空間分解方面進行優化，同時找到最優的空間分解方案和旋轉矩陣。通過平衡協方差矩陣的特征值，最佳乘積量化可以得到最優空間分解，但強烈的多模態分布可能無法從這種分解中受益。
[0007]但這些算法都屬于無監督學習框架，量化誤差較大，可能會限制這些算法的檢索性能。

技術實現思路

[0008]針對現有技術的缺陷，本專利技術所要解決的技術問題就是提供一種基于半監督學習的電力設備缺陷檢測方法，能夠有效地減少每個子空間的量化誤差，提高檢索性能。
[0009]為解決上述技術問題，本專利技術采用如下技術方案：一種基于半監督學習的電力設備缺陷檢測方法，獲取電力設備的高維圖像后，執行如下步驟：
[0010]S1：基于拉普拉斯特征值映射的圖像降維算法對高維圖像進行降維操作，把降維后的數據作為輸入樣本；
[0011]S2：根據輸入樣本的類標簽，基于最優反向預測算法來設定目標函數，目標函數包含兩項，分別為聚類中心矩陣與標簽矩陣均未知的無監督聚類算法以及標簽已知的監督學習約束項；
[0012]S3：特征空間最優分解，以得到半監督笛卡爾K均值模型；
[0013]S4：采用拉普拉斯正則化的最優反向預測算法構建半監督的量化模型；
[0014]S5：半監督的量化模型的優化；
[0015]S6：基于圖像的缺陷檢測系統根據優化半監督的量化模型實現電力設備缺陷檢測。
[0016]優選的，目標函數如下：
[0017][0018]其中和分別是訓練實例矩陣和標記矩陣，是未標記的數據矩陣，是未知的標簽矩陣，η2是交易參數，Y
(L)
和B使用1
?
K編碼方案，P表示實例的維數，N
L
和N
U
分別是標記和未標記實例的數量，K是簇的數量。
[0019]優選的，所述特征空間的最優分解包括如下步驟：
[0020]S31：采用乘積量化算法，使得每個子空間中的碼字均通過采用K均值聚類生成，該聚類相對于b和C迭代地優化平方失真誤差；
[0021]S32：笛卡爾K均值通過在公式(1.2)中的映射矩陣C的列上施加正交約束來獲得ANN搜索任務的空間分解方法；
[0022][0023]S33：聚類中心的正交約束保證聚類中心表示為C≡RD，其中R是旋轉矩陣，R
T
R＝RR
T
＝I，將公式(1.2)重新表示為公式(1.3)，最小化(1.3)關于R，D和B，所獲得的旋轉矩陣R和聚類中心D再結合公式(1.3)以獲得失真誤差；
[0024][0025]M是子空間的編號；
[0026]S34：在量化過程中將公式(1.1)代入公式(1.3)并給出半監督的笛卡爾K均值算法，給定標記數據集和未標記數據集其中P是實例的維數，K是量化中心的數量，N
L
和N
U
是標記和未標記數據實例的數量；
[0027]S35：基于輸入空間分解策略，半監督笛卡爾K均值表示為
[0028][0029]S36：利用希爾伯特
?
施密特不相關性準則對特征空間進行分解。
[0030]優選的，將拉普拉斯正則化項引入公式(1.4)，并得到以下公式：
[0031][0032]其中，μ是平均值向量輸入數據；Y
(L)
和B都是量化標簽且未知，L是拉普拉斯矩陣，L＝W
?
D；W是相似矩陣，
[0033]D
ii
＝∑
j
W
i,j
。
[0034]優選的，優化公式(1.5)，且僅保留與Y
(L)
相關的項：
[0035][0036]進一步計算得：
[0037][0038]在獲得量化Y
(L)
的基礎上，通過計算每個量化簇中所有標記數據X
(L)
的平均值來獲得簇中心D；基于預測的聚類中心D，通過采用KNN聚類算法獲得未標記數據的標簽矩陣B，如下：
[0039][0040]根據標記數據X
(L)
、未標記數據X
(U)
及其量化標簽Y
(L)
和B，更新聚類中心D，如下：
[0041][0042]采用笛卡爾K
?
means算法來更新R，基于：
[0043][0044]得到：
[0045]在得到R，D，Y
(L)
和B的基礎上，更新變量μ，如下：
[0046]μ
←
mean(X
?
RDY)
[0047]X＝[X
(L) ηX
(U)
]，Y＝[Y
(L) ηB]。
[0048]本專利技術還提供了一種計算機設備，包括至少一個處理器和存儲器；所述存儲器存儲計算機執行指令；所述至少一個處理器執行所述存儲器存儲的計算機執行指令，使得所述至少一個處理器執行所述的一種基于半監督學習的電力設備缺陷檢測方法。
[0049]本專利技術采用上述技術方案，具有如下有益效果：
[0050]本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于半監督學習的電力設備缺陷檢測方法，其特征在于，獲取電力設備的高維圖像后，執行如下步驟：S1：基于拉普拉斯特征值映射的圖像降維算法對高維圖像進行降維操作，把降維后的數據作為輸入樣本；S2：根據輸入樣本的類標簽，基于最優反向預測算法來設定目標函數，目標函數包含兩項，分別為聚類中心矩陣與標簽矩陣均未知的無監督聚類算法以及標簽已知的監督學習約束項；S3：特征空間最優分解，以得到半監督笛卡爾K均值模型；S4：采用拉普拉斯正則化的最優反向預測算法構建半監督的量化模型；S5：半監督的量化模型的優化；S6：基于圖像的缺陷檢測系統根據優化半監督的量化模型實現電力設備缺陷檢測。2.根據權利要求1所述的一種基于半監督學習的電力設備缺陷檢測方法，其特征在于，目標函數如下：其中和分別是訓練實例矩陣和標記矩陣，是未標記的數據矩陣，是未知的標簽矩陣，η2是交易參數，Y
(L)
和B使用1
?
K編碼方案，P表示實例的維數，N
L
和N
U
分別是標記和未標記實例的數量，K是簇的數量。3.根據權利要求2所述的一種基于半監督學習的電力設備缺陷檢測方法，其特征在于，所述特征空間的最優分解包括如下步驟：S31：采用乘積量化算法，使得每個子空間中的碼字均通過采用K均值聚類生成，該聚類相對于b和C迭代地優化平方失真誤差；S32：笛卡爾K均值通過在公式(1.2)中的映射矩陣C的列上施加正交約束來獲得ANN搜索任務的空間分解方法；索任務的空間分解方法；S33：聚類中心的正交約束保證聚類中心表示為C≡RD，其中R是旋轉矩陣，R
T
R＝RR
T
＝I，將公式(1.2)重新表示為公式(1.3)，最小化(1.3)關于R，D和B，所獲得的旋轉矩陣R和聚類中心D再結合公式(1.3)以獲得失真誤差；中心D再結合公式(1.3)以獲得失真誤差；M是子空間的編號；S34：在量化過程中將公式(1.1)代入公式(1.3)并給出半監督的笛卡爾K均值算法，給
定標記數據集和未標記數據集其中P是實例的維數，K是量化中心的數量，N
L
和N
U
是標記和未標記...

【專利技術屬性】
技術研發人員：倪宏宇，宋金根，周輝，姚建立，黃蘇，林祖榮，顏文旭，儲杰，
申請(專利權)人：江南大學國網浙江省電力有限公司，
類型：發明
國別省市：