本發(fā)明涉及人工智能，具體涉及一種絕緣子器件狀態(tài)智能識別方法及系統(tǒng)。

背景技術(shù)：

1、隨著我國輸電線路規(guī)模不斷擴大，建設(shè)在復雜環(huán)境下的電網(wǎng)設(shè)備數(shù)量也與日俱增，電網(wǎng)的安全、穩(wěn)定、可靠運行至關(guān)重要。絕緣子作為輸電線路上的重要部件，起著懸掛導線與電氣絕緣的關(guān)鍵作用。由于長期工作在露天環(huán)境下，絕緣子器件容易出現(xiàn)不同類型的故障，如破損、閃絡(luò)等，嚴重影響輸電線路的運行安全。因此，對絕緣子進行定期巡檢，實現(xiàn)絕緣子智能分析，對于保障電網(wǎng)安全穩(wěn)定運行具有重要意義。

2、傳統(tǒng)的巡檢方式由輸電線路巡檢工程師通常采用現(xiàn)場勘察，或攀爬機器人巡檢的方式對絕緣子器件進行檢測。上述巡檢方法效率低下，檢測效果參差不齊，并存在安全隱患，特別是在復雜環(huán)境(如光照不均、建筑物等背景干擾、其他電力設(shè)備遮擋、天氣惡劣等)下進行檢測，其缺點更為凸顯。

3、隨著圖像識別技術(shù)的不斷發(fā)展，基于模式識別技術(shù)的智能識別方法在該領(lǐng)域得到一定范圍內(nèi)的應(yīng)用，例如題為《insulator?detection?and?defect?classification?usingrotation?invariant?local?directional?pattern》(taskeed?j,tanveer?a)的文獻中提出了一種絕緣子檢測和缺陷分類算法，其利用單片絕緣子器件圖像的局部方向性特征與旋轉(zhuǎn)不變局部方向性特征對支持向量機進行訓練，再用起進行檢測。而題為《compositeinsulator?defect?identification?and?quantitative?method?based?on?random?houghtransform?ellipse?detection》(xiang?w?z)和題為《無人機輔助及絕緣子缺陷圖像識別研究》(王淼，杜毅，張忠瑞)的文獻提出了一種復合絕緣子缺陷識別方法，利用橢圓曲線對canny算子提取的絕緣子邊緣進行擬合，并通過擬合前后邊緣曲線的差異有效識別絕緣子缺陷區(qū)域。題為《insulator?fault?detection?based?on?spatial?morphologicalfeatures?of?aerial?images》(zhai?y,li?x?f,yang?q)的文獻根據(jù)玻璃絕緣子和陶瓷絕緣子的顏色特征和空間形態(tài)特征識別絕緣子目標區(qū)域，對目標區(qū)域進行形態(tài)處理以突出斷層位置，并根據(jù)有無斷層絕緣子的空間特征實現(xiàn)故障識別。這些模式識別方法基于人工設(shè)計的特征如輪廓特征、顏色特征、紋理特征等對絕緣子進行檢測識別，這類方法只適用于背景干擾小、特定尺寸或特定光照條件等場景，無法有效完成復雜背景下的絕緣子器件檢測識別任務(wù)。

4、近年來，基于深度學習的智能識別方法在計算機視覺領(lǐng)域得到廣泛應(yīng)用。尤其卷積神經(jīng)網(wǎng)絡(luò)在大量數(shù)據(jù)中通過反復迭代優(yōu)化自身參數(shù)，學習到圖像的高階特征，有效提高圖像識別的準確性，使得利用深度學習算法應(yīng)用到輸電線檢測領(lǐng)域成為了可能。如文獻《基于改進cascader-cnn的輸電線路多目標檢測》(李鑫，劉帥男，楊楨)設(shè)計了6層新型特征金字塔網(wǎng)絡(luò)與之融合，提升了模型對小目標絕緣子故障的檢測能力；文獻《基于多尺度特征融合的絕緣子缺陷檢測》(李斌，屈璐瑤，朱新山)以ssd模型為基礎(chǔ)網(wǎng)絡(luò)，在主干特征提取網(wǎng)絡(luò)中融入殘差注意力模塊提取絕緣子缺陷的多尺度特征，并采用focal損失和高斯非極大抑制方法提升絕緣子缺陷的檢測精度。深度對比學習顯示出處理圖像數(shù)據(jù)的卓越能力，并在目標識別、檢測等圖像分析任務(wù)中取得了成功。

5、上述深度學習算法多是基于半監(jiān)督的學習方法，需要大量的樣本作為數(shù)據(jù)支撐，并且需要將用于訓練的樣本均進行損傷區(qū)域標注，當只有少量標注數(shù)據(jù)可用時，對比學習相較于半監(jiān)督學習更為穩(wěn)健。并且，其對類別不均衡數(shù)據(jù)同樣具有魯棒性。因此，對比學習為實現(xiàn)絕緣子智能分析提供了一個很有前途的方向。

6、然而，現(xiàn)階段將對比學習應(yīng)用到絕緣子檢測領(lǐng)域的研究較少，難度較大。在絕緣子智能分析中采用對比學習最大的難點是，現(xiàn)有對比學習框架大多依賴于最大化對比的兩個“特征視圖”之間的相似性，即錨(anchor)及其正樣本，其通常是通過對同一圖像應(yīng)用隨機數(shù)據(jù)擴增方法來生成。這種數(shù)據(jù)擴增策略并不容易直接應(yīng)用于絕緣子智能分析領(lǐng)域，指示目前的對比學習架構(gòu)難以在絕緣子檢測上達到一個理想的識別精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的發(fā)明目的在于：針對上述存在的全部或部分問題，提供一種絕緣子器件狀態(tài)智能識別方法及系統(tǒng)，用以有效檢測絕緣子器件狀態(tài)。

2、本發(fā)明采用的技術(shù)方案如下：

3、一種絕緣子器件狀態(tài)智能識別方法，包括：

4、訓練檢測模型的過程：

5、提取樣本集中絕緣子器件圖像的第一表征特征，所述樣本集中所有絕緣子器件圖像均標注有損傷區(qū)域和絕緣子器件狀態(tài)；

6、對所述第一表征特征進行第一特征增強，得到第一特征視圖；

7、根據(jù)所述第一表征特征對絕緣子器件狀態(tài)進行第一分類；

8、提取所述絕緣子器件圖像的損傷區(qū)域的第二表征特征；

9、對所述第二表征特征進行第二特征增強，得到第二特征視圖；

10、根據(jù)所述第二表征特征對絕緣子器件狀態(tài)進行第二分類；

11、融合第一分類和第二分類的結(jié)果，得到對絕緣子器件狀態(tài)的最終分類；

12、以最大化所述第二特征視圖與所述第一特征視圖的一致性，以及最小化第一分類和第二分類的誤差為目標，來訓練檢測模型；

13、檢測過程：

14、利用訓練的檢測模型對待檢測的絕緣子器件圖像進行識別，得到絕緣子器件狀態(tài)。

15、本發(fā)明還提供了一種絕緣子器件狀態(tài)智能識別系統(tǒng)，該系統(tǒng)配置有處理器和計算機可讀存儲介質(zhì)，所述處理器運行所述計算機可讀存儲介質(zhì)中的計算機程序，以執(zhí)行上述的絕緣子器件狀態(tài)智能識別方法。

16、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

17、本發(fā)明采用有監(jiān)督分類學習和弱監(jiān)督對比學習的方法，針對樣本集中缺陷類別不平衡問題，有針對性地采用利用交叉熵損失來進行絕緣子器件狀態(tài)分類，且有針對性地設(shè)計弱監(jiān)督深度對比學習方法來使得模型更加關(guān)注損傷區(qū)域；后者構(gòu)成專家知識特征(即第二表征特征)對絕緣子特征(即第一表征特征)增強的反饋回路，在訓練過程中，實現(xiàn)了對絕緣子損傷區(qū)域特征的增強，使得絕緣子器件狀態(tài)分類的特征提取過程更加關(guān)注損傷區(qū)域，從而提升了模型對絕緣子器件狀態(tài)檢測的精度。

技術(shù)特征：

1.一種絕緣子器件狀態(tài)智能識別方法，其特征在于，包括：

2.如權(quán)利要求1所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，所述融合第一分類和第二分類的結(jié)果，得到對絕緣子器件狀態(tài)的最終分類，包括：

3.如權(quán)利要求1所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，所述第二表征特征包括：一階統(tǒng)計特征，以及灰度特征。

4.如權(quán)利要求1所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，所述以最大化所述第二特征視圖與所述第一特征視圖的一致性，以及最小化第一分類和第二分類的誤差為目標，來訓練檢測模型，包括：

5.如權(quán)利要求1所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，利用絕緣子特征提取模塊提取絕緣子器件圖像的第一表征特征，所述絕緣子特征提取模塊包括依次連接的三個ifems模塊；各所述ifems模塊均由兩個ifei子模塊連接構(gòu)成；各ifei子模塊均包括三個fei單元，第一個fei單元與第二個fei單元殘差連接后連接第三個fei單元；各fei單元均依次包含第一卷積模塊、第一個特征表達子單元、第一個特征更新子單元、第二個特征更新子單元、第二個特征表達子單元和第二卷積模塊，其中第一卷積模塊還分別連接第一個特征更新子單元、第二個特征更新子單元和第二個特征表達子單元，第一個特征表達子單元連接第二個特征更新子單元，第二個特征更新子單元連接第二卷積模塊。

6.如權(quán)利要求5所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，所述特征表達子單元包括依次連接的第一殘差連接子模塊、第一卷積層、第二卷積層、第二殘差連接子模塊和第三卷積層，第一卷積層與第二卷積層之間，還依次連接有第三殘差連接子模塊、第四卷積層、第五卷積層、第一relu激活層、第六卷積層、第七卷積層和第四殘差連接子模塊，第四卷積層還與第七卷積層連接。

7.如權(quán)利要求5所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，所述特征更新子單元包括依次連接的第五殘差連接子模塊、第八卷積層、第九卷積層、第二relu激活層、第六殘差連接子模塊、第十卷積層和第十一卷積層，第五殘差連接子模塊還與第十卷積層連接，第六殘差連接子模塊還與第十一卷積層連接。

8.如權(quán)利要求5-7任一所述的絕緣子器件狀態(tài)智能識別方法，其特征在于，利用專家知識特征提取模塊提取絕緣子器件圖像損傷區(qū)域的所述第二表征特征，所述專家知識特征提取模塊包括依次連接的三個kfems模塊；所述kfems模塊的結(jié)構(gòu)與所述ifems模塊的結(jié)構(gòu)相同。

9.一種絕緣子器件狀態(tài)智能識別系統(tǒng)，該系統(tǒng)配置有處理器和計算機可讀存儲介質(zhì)，其特征在于，所述處理器運行所述計算機可讀存儲介質(zhì)中的計算機程序，以執(zhí)行如權(quán)利要求1-8任一所述的絕緣子器件狀態(tài)智能識別方法。

技術(shù)總結(jié)
本發(fā)明公開了一種絕緣子器件狀態(tài)智能識別方法及系統(tǒng)，涉及人工智能技術(shù)領(lǐng)域，用以有效檢測絕緣子器件狀態(tài)。本發(fā)明利用絕緣子特征分析子網(wǎng)絡(luò)提取絕緣子特征并進行特征的增強和分類，利用專家知識分析子網(wǎng)絡(luò)進行損傷區(qū)域的定位、特征提取、特征增強和分類，兩路增強的特征構(gòu)成專家知識特征對絕緣子圖像特征增強的反饋回路，實現(xiàn)在訓練過程中對絕緣子圖像特征的增強，使得在分類任務(wù)中提升對損傷區(qū)域的關(guān)注度，提升對絕緣子器件狀態(tài)分類的有效性和精準度。

技術(shù)研發(fā)人員：羅學剛,呂俊瑞
受保護的技術(shù)使用者：攀枝花學院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19