【技術實現步驟摘要】
本專利技術涉及電力智能巡檢，具體涉及一種基于深度決策融合的電力絕緣子缺陷識別方法及裝置。
技術介紹
1、絕緣子是輸電線路中的重要組成部分。為確保電力系統的穩定性和安全性，定期檢查絕緣子狀態變得至關重要。傳統的人工巡檢方式存在效率低下、作業勞動強度大、安全風險高等缺點。隨著人工智能技術的發展，無人機智能化巡檢在電力行業得到了廣泛應用，智能識別絕緣子的狀態，及時發現設備缺陷，從而避免電力事故的發生。
2、傳統智能識別方法需要足夠多的訓練樣本來構建缺陷識別模型。然而，收集大量的缺陷樣本是非常困難的。如何用少量的缺陷樣本訓練高質量的絕緣子缺陷識別模型成為一個關鍵問題。
3、綜上所述，急需一種基于深度決策融合的電力絕緣子缺陷識別方法及裝置以解決現有技術中存在的問題。
技術實現思路
1、本專利技術目的在于提供一種基于深度決策融合的電力絕緣子缺陷識別方法，旨在實現充分利用不同層級的深度特征和多種特征提取方法，從不同的圖像維度充分挖掘電力絕緣子缺陷信息，實現在少量訓練樣本條件下對電力絕緣子缺陷的高精度識別，具體技術方案如下：
2、一種基于深度決策融合的電力絕緣子缺陷識別方法，包括以下步驟：
3、步驟s1、對電力巡檢圖像進行特征提取，獲得 k個不同層級的深度特征圖，將 k個不同層級的深度特征圖進行融合獲得融合后的深度特征圖 f；
4、步
5、步驟s3、將協方差描述符特征矩陣、主成分分析特征矩陣和最大噪聲分數法特征矩陣分別輸入至對應的支持向量機模型中，輸出初始識別結果（、、）；
6、其中，為協方差描述符特征矩陣輸入至對應的支持向量機模型中輸出的初始識別結果，為主成分分析特征矩陣輸入至對應的支持向量機模型中輸出的初始識別結果，為最大噪聲分數法特征矩陣輸入至對應的支持向量機模型中輸出的初始識別結果；
7、步驟s4、采用投票機制的決策融合模型分析初始識別結果（、、），輸出最終的絕緣子缺陷識別結果。
8、以上技術方案中優選的，在步驟s1中，將電力巡檢圖像 a輸入至卷積神經網絡進行特征提取后獲得 k個不同層級的深度特征圖，其中特征提取過程表示為：
9、???????????????（1），
10、其中，為卷積神經網絡的卷積層個數，表示第個卷積層，表示卷積神經網絡提取的第個深度特征圖，且為整數， k為大于等于3的整數且。
11、以上技術方案中優選的，將 k個不同層級的深度特征圖進行融合獲得融合后的深度特征圖 f，具體是：
12、???????????????（2），
13、其中，代表將 k個深度特征圖進行融合操作，深度特征圖 f的空間尺度為，為融合后深度特征圖 f的空間尺度大小，為融合后深度特征圖 f的通道數，表示第個進行融合的深度特征圖。
14、以上技術方案中優選的，步驟s2中獲取協方差描述符特征矩陣具體是：
15、對深度特征圖 f進行矩陣化處理得到 f0，然后根據公式（3）獲取協方差描述符特征矩陣：
16、??????????（3），
17、其中， f0的尺度大小為，，，為中的第個列向量， t表示轉置矩陣，為融合后深度特征圖 f的通道數，為融合后深度特征圖 f的空間尺度大小。
18、以上技術方案中優選的，步驟s2中獲取主成分分析特征矩陣具體是：根據公式（4）對融合后的深度特征圖 f進行主成分分析降維處理：
19、????????????????????（4），
20、其中，表示主成分分析降維操作，為降維后的通道數。
21、以上技術方案中優選的，步驟s2中獲取最大噪聲分數法特征矩陣具體是：根據公式（5）對融合后的深度特征圖 f進行最大噪聲分數法降維處理：
22、?????????????????????（5），
23、其中，表示最大噪聲分數法降維操作，為降維后的通道數。
24、以上技術方案中優選的，在步驟s4中：對初始識別結果、和的出現次數分別進行計數，然后根據公式（6）獲取最終的絕緣子缺陷識別結果：
25、???????????（6），
26、其中，為初始識別結果的出現次數，為初始識別結果的出現次數，為初始識別結果的出現次數，為最終的絕緣子缺陷識別結果。
27、本專利技術還提供了一種基于深度決策融合的電力絕緣子缺陷識別裝置，所述識別裝置包括存儲器和處理器，所述處理器運行存儲器中存儲的計算機指令時，執行所述的基于深度決策融合的電力絕緣子缺陷識別方法。
28、本專利技術還提供了另一種基于深度決策融合的電力絕緣子缺陷識別裝置，所述識別裝置包括圖像采集單元和數據計算處理單元，所述圖像采集單元用于采集絕緣子的電力巡檢圖像，并將采集的電力巡檢圖像輸送至數據計算處理單元，所述數據計算處理單元根據所述的基于深度決策融合的電力絕緣子缺陷識別方法對絕緣子進行缺陷識別。
29、應用本專利技術的技術方案，具有以下有益效果：
30、本專利技術的絕緣子缺陷識別方法中，先利用從淺層到深層的各種深度卷積特征圖來挖掘輸入圖像中的深度信息，然后應用協方差描述符、主成分分析和最大噪聲分數法構建三種深度特征矩陣，聯合挖掘不同深度層級的特征，通過從不同的圖像維度充分挖掘電力絕緣子缺陷信息，實現在少量訓練樣本條件下對電力絕緣子缺陷的高精度識別；因此，在電力智能運維中具有重大意義和實用價值。
31、除了上面所描述的目的、特征和優點之外，本專利技術還有其它的目的、特征和優點。下面將參照圖，對本專利技術作進一步詳細的說明。
本文檔來自技高網...【技術保護點】
1.一種基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，在步驟S1中，將電力巡檢圖像A輸入至卷積神經網絡進行特征提取后獲得k個不同層級的深度特征圖，其中特征提取過程表示為：
3.根據權利要求2所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，將k個不同層級的深度特征圖進行融合獲得融合后的深度特征圖F，具體是：
4.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，步驟S2中獲取協方差描述符特征矩陣具體是：
5.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，步驟S2中獲取主成分分析特征矩陣具體是：根據公式（4）對融合后的深度特征圖F進行主成分分析降維處理：
6.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，步驟S2中獲取最大噪聲分數法特征矩陣具體是：根據公式（5）對融合后的深度特征圖F進行最大噪聲分數法降維處理：
7.根據權
8.一種基于深度決策融合的電力絕緣子缺陷識別裝置，其特征在于，所述識別裝置包括存儲器和處理器，所述處理器運行存儲器中存儲的計算機指令時，執行如權利要求1-7任意一項所述的基于深度決策融合的電力絕緣子缺陷識別方法。
9.一種基于深度決策融合的電力絕緣子缺陷識別裝置，其特征在于，所述識別裝置包括圖像采集單元和數據計算處理單元，所述圖像采集單元用于采集絕緣子的電力巡檢圖像，并將采集的電力巡檢圖像輸送至數據計算處理單元，所述數據計算處理單元根據如權利要求1-7任意一項所述的基于深度決策融合的電力絕緣子缺陷識別方法對絕緣子進行缺陷識別。
...【技術特征摘要】
1.一種基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，在步驟s1中，將電力巡檢圖像a輸入至卷積神經網絡進行特征提取后獲得k個不同層級的深度特征圖，其中特征提取過程表示為：
3.根據權利要求2所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，將k個不同層級的深度特征圖進行融合獲得融合后的深度特征圖f，具體是：
4.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，步驟s2中獲取協方差描述符特征矩陣具體是：
5.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，步驟s2中獲取主成分分析特征矩陣具體是：根據公式（4）對融合后的深度特征圖f進行主成分分析降維處理：
6.根據權利要求1所述的基于深度決策融合的電力絕緣子缺陷識別方法，其特征在于，...
【專利技術屬性】
技術研發人員：黃志鴻，左沅君，彭雙劍，單楚棟，張可人，劉帥，張輝，鐘杭，毛建旭，孔慶宇，張國梁，
申請(專利權)人：國網湖南省電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。