[發(fā)明專利]基于文本分類和圖像識別的配網(wǎng)帶電作業(yè)條件判別方法

有效

• 申請?zhí)枺?/td>: 201811470666.8
• 申請日: 2018-12-04
• 公開（公告）號: CN109614488B
• 公開（公告）日: 2022-12-02
• 發(fā)明（設(shè)計）人: 熊小萍;許爽;龍鳳英;譚建成;田富瑞
• 申請（專利權(quán)）人: 廣西大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/55;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 廣西南寧公平知識產(chǎn)權(quán)代理有限公司 45104
• 代理人: 楊立華

1.基于文本分類和圖像識別的配網(wǎng)帶電作業(yè)條件判別方法，其特征在于，包括以下步驟：

S1.從電網(wǎng)公司生產(chǎn)管理系統(tǒng)導(dǎo)出配電線路外部條件數(shù)據(jù)，生成配電線路帶電作業(yè)外部條件判別文本數(shù)據(jù)庫；

S2.在配電線路現(xiàn)場采集圖片，形成線路設(shè)備條件數(shù)據(jù)，生成線路設(shè)備圖像數(shù)據(jù)庫；

S3.對文本數(shù)據(jù)庫和圖像數(shù)據(jù)庫進行預(yù)處理，包括：將線路外部條件和線路設(shè)備條件分別對應(yīng)不同的分值生成條件分值表，條件分值表反映每種條件對應(yīng)的分值，分值大小反映每種條件所占的比重；以矩陣或向量的形式對文本進行表示，對圖像進行分割和提取得到具有不變性的特征表示；

S4.搭建基于機器學習的中文文本自動分類模型和基于機器學習的圖像識別分類模型；

S5.將預(yù)處理后的文本數(shù)據(jù)庫和圖像數(shù)據(jù)庫分成訓練集和測試集兩大類，利用訓練集數(shù)據(jù)分別對搭建好的基于機器學習的中文文本自動分類模型和基于機器學習的圖像識別分類模型進行有監(jiān)督的訓練，然后利用測試集數(shù)據(jù)測試訓練好的模型識別的準確率，通過調(diào)整參數(shù)使模型對測試集中的數(shù)據(jù)識別的準確率達到90％以上；

S6.對配電線路劃分評分等級，將新采集數(shù)據(jù)導(dǎo)入訓練好的模型中，模型識別帶電作業(yè)判別條件特征并評分，根據(jù)總評分值對應(yīng)評分等級判別該條件下是否滿足帶電作業(yè)條件要求；

所述步驟S4搭建基于機器學習的中文文本自動分類模型的具體操作為：以詞為單位進行文本表示形成詞向量，再將詞向量按照詞在句子中出現(xiàn)的順序進行拼接，形成代表句子的矩陣，然后送入基于深度學習技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型中，在詞向量的基礎(chǔ)上，實現(xiàn)句子特征的自動提取和學習，最后實現(xiàn)缺陷文本的自動分類；

所述步驟S4搭建基于機器學習的圖像識別分類模型的具體操作為：先以國際大型視覺對象的分類識別和檢測挑戰(zhàn)賽的數(shù)據(jù)庫為模板建立圖像識別數(shù)據(jù)庫，用以存放經(jīng)過預(yù)處理后的圖像數(shù)據(jù)，然后送入基于深度學習技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型中，在圖像預(yù)處理的基礎(chǔ)上，實現(xiàn)圖像特征的自動提取和學習，最后實現(xiàn)圖像數(shù)據(jù)中線路設(shè)備條件的打分分類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1的線路外部條件數(shù)據(jù)包括：供電區(qū)域、電網(wǎng)結(jié)構(gòu)、N-n檢驗、地形、用戶接入和配電自動化水平。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2的線路設(shè)備條件數(shù)據(jù)包括：架空線、桿型、開斷設(shè)備、變電設(shè)備、絕緣設(shè)備和金具。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于深度學習技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型為一個四層的卷積神經(jīng)網(wǎng)絡(luò)模型，具體形式為：

第一層為輸入層，輸入層為一個未分類的外部條件對應(yīng)的詞組矩陣W∈R^s×n，W代表一個未分類的外部條件對應(yīng)的詞組，R代表該詞組轉(zhuǎn)換的矩陣，矩陣的每一行代表詞組中每個詞對應(yīng)的向量，行數(shù)s為詞組的詞數(shù)，列數(shù)n為向量的維數(shù)；

第二層為一維卷積層，采用列數(shù)與W相同、行數(shù)為h的卷積矩陣窗口I∈R^h×n，與輸入層矩陣W的每個h行n列矩陣塊由上到下依次進行卷積運算，其中每一個卷積窗口能從輸入的矩陣R中抽取出一個特征圖特征，稱為文本特征；

第三層為池化層，采用最大池化的方法，取每個卷積窗口卷積得到的特征圖向量中最大的元素作為特征值，從而提取各個卷積窗口對應(yīng)的特征值，并將所有特征值依次拼接構(gòu)成池化層的一維向量，即為代表句子全局特征的向量；

第四層為輸出層，輸出層與池化層全連接，以池化層的一維向量為輸入，經(jīng)過激活函數(shù)輸出，再加上丟失層去除部分數(shù)據(jù)防止過擬合，最后采用softmax分類器對一維向量進行分類，并輸出最終的分類結(jié)果。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于深度學習技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型包含三大塊組件網(wǎng)絡(luò)模型：

第一塊為預(yù)訓練前端網(wǎng)絡(luò)，采用ResNet50作為預(yù)訓練模型，首先ResNet50網(wǎng)絡(luò)模型中不包含全連接層的模型參數(shù)到本地，然后定義ResNet50的網(wǎng)絡(luò)結(jié)構(gòu)，再加載模型權(quán)重參數(shù)到定義的網(wǎng)絡(luò)結(jié)構(gòu)中，最后更改最后一個全連接層的結(jié)構(gòu)，以較低的學習率開始訓練，得到預(yù)訓練好的前端網(wǎng)絡(luò)模型；

第二塊為預(yù)選區(qū)域網(wǎng)絡(luò)，預(yù)選區(qū)域網(wǎng)絡(luò)是將訓練集中圖像作為輸入，輸出矩形目標預(yù)選區(qū)域的集合，每一個預(yù)選區(qū)域有一個得分，這個得分來判斷所選的區(qū)域是否為目標所在區(qū)域；為了生成矩形目標預(yù)選區(qū)域，通過在預(yù)訓練前端網(wǎng)絡(luò)最后一個共享卷積層后面添加一個小的滑動窗口，這個滑動窗口全連接到輸入卷積特征映射的空間窗口上，每個滑動窗口映射到一個低維向量上，這個向量輸出給預(yù)選區(qū)域回歸層和預(yù)選區(qū)域分類層，預(yù)選區(qū)域回歸層最后輸出預(yù)選區(qū)域的坐標編碼，預(yù)選區(qū)域分類層最后輸出預(yù)選區(qū)域的得分，通過得分判斷該預(yù)選區(qū)域是否為目標所在區(qū)域，然后把為真的矩形目標預(yù)選區(qū)域集合送到下一級網(wǎng)絡(luò)中進行分類識別；

第三塊為快速區(qū)域化卷積神經(jīng)網(wǎng)絡(luò)，快速區(qū)域化卷積神經(jīng)網(wǎng)絡(luò)跟預(yù)選區(qū)域網(wǎng)絡(luò)共享預(yù)訓練前端網(wǎng)絡(luò)初始化的共享特征層，在預(yù)訓練前端網(wǎng)絡(luò)對圖像進行卷積網(wǎng)絡(luò)特征提取之后，經(jīng)預(yù)選區(qū)域網(wǎng)絡(luò)輸出矩形目標預(yù)選區(qū)域，生成矩形目標預(yù)選區(qū)域卷積特征圖，取出矩形目標預(yù)選區(qū)域卷積特征圖上對應(yīng)的深度特征，用一個矩形目標預(yù)選區(qū)域池化層將通道內(nèi)的全部特征統(tǒng)一成相同大小，生成一個固定維度的特征圖，最后經(jīng)過兩個全連接特征層得到特征向量，特征向量再經(jīng)由各自的全連接層中的兩個多任務(wù)模型來完成圖像中線路設(shè)備的識別和框選；所述兩個多任務(wù)模型為基于柔性最大值傳輸函數(shù)的識別分類模型和預(yù)選區(qū)域窗口回歸模型。