[發明專利]一種基于集成學習的輸電設備自動故障識別方法

在審

• 申請號: 201811229533.1
• 申請日: 2018-10-22
• 公開（公告）號: CN109344905A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 王子蘊
• 申請（專利權）人: 王子蘊
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

本發明涉及一種基于集成學習的輸電設備自動故障識別方法，包括以下步驟：獲得包含電力設備的源圖像，進行目標識別并裁取設備子圖像；再將截取到的設備子圖像通過深度學習技術進行分類，同時提取設備子圖像紋理特征通過支持向量機進行分類，然后將多種分類結果融合進行集成學習，得出故障識別結果。本發明可以更全面地挖掘圖像信息，減少由于圖像質量帶來的訓練誤差；通過多模型融合檢測的集成學習方法，能夠有效解決單模型檢測帶來的由于模型本身設計性缺陷導致的誤差及有限的泛化能力，提高了檢測的準確率。

技術領域

本發明涉及數字圖像處理、深度學習、目標識別技術領域。具體說的是基于深度學習、支持向量機對于圖像及其紋理特征模型融合檢測的輸電網設備安全狀態及故障類型自動判斷識別的技術。

背景技術

中國的電網飛速發展，對電網安全運行各階段智能化要求以及對人工成本的削減的要求提高。電網線路上設備組成較為復雜，而且設備工作關聯的緊密性較強，潛在隱患可能導致大規模的供電故障，所以及時、有效的檢測是必不可少的。

線路的人工檢測存在慌檢、漏檢、誤檢的情況，減少人工成本同時也是必然趨勢。然而現有的智能檢測方法多通過深度學習單模型進行圖像的目標檢測，由于所選模型的固有問題，識別及判斷準確度、泛化能力有待提高。并且目前智能檢測方法多針對于某一目標設備或是某一種缺陷，不能夠對輸電線路整體缺陷與故障檢測。

發明內容

針對上述技術不足，本發明的目的提供一種基于集成學習預測的輸電網自動故障識別方法。該方法可以在電網輸電線路檢修工作中，快速高效準確地檢測輸電線路之中關鍵設備的潛在隱患以及故障類型。

本發明解決其技術問題所采用的技術方案是：一種基于集成學習的輸電設備自動故障識別方法，包括以下步驟：

1)獲得包含輸電設備的源圖像，進行目標識別并裁取設備子圖像；

2)再將裁取到的設備子圖像通過深度學習進行分類，同時提取設備子圖像紋理特征通過支持向量機進行分類，然后將多種分類結果融合進行集成學習，得出故障識別結果；

3)將待檢測的輸電設備圖像進行自適應故障檢測。

所述進行目標識別并裁取設備子圖像，包括以下步驟：

對源圖像中設備的類別及區域進行標注，獲得設備區域坐標、設備類別標簽；源圖像、設備類別標簽和區域坐標作為訓練樣本，送入目標識別深度卷積網絡中進行訓練，獲得目標識別網絡模型；

將源圖像輸入目標識別網絡模型，得到僅包含輸電設備的設備子圖像以及子圖像信息，經清洗加噪處理后得到數據集T；所述設備子圖像信息包括設備類別標簽、在所屬源圖像中的位置坐標。

步驟2)包括以下步驟：

對于標有同一設備類別的設備子圖像：

將數據集T中的樣本二次標注，即按照輸電設備類別增加含有故障類別的標簽；

對數據集T提取圖像的HOG紋理特征，選取部分紋理特征的特征向量送入第一分類器中進行分類，得到第一分類器模型，通過其余特征向量作為測試集檢驗該分類器模型；

從數據集T中選取部分設備子圖像作為訓練集送入第m個分類器中進行訓練，獲取第m個分類器模型，通過其余設備子圖像作為測試集檢驗第m個分類器模型；m＝1，…，N-1，N為分類器個數；

將多個分類器進行集成學習，得到設備故障識別結果。

所述將多個分類器進行集成學習，得到設備故障識別結果，包括以下步驟：

從數據集T中選取部分樣本構成I級訓練集，共M個樣本，樣本隨機分為n份，任兩份樣本數差值小于閾值；其中n-1份作為訓練集，即II級訓練集，剩余的1份作為測試集，即II級測試集；T數據集中除去I級訓練集之后構成I級測試集；