[發明專利]一種基于機器學習的等離子體放電識別方法及系統

在審

• 申請號: 202011289544.6
• 申請日: 2020-11-17
• 公開（公告）號: CN112396104A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 楊勇;余子恒;李傳;張浩欽;楊帥;陳煥;李馳
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種基于機器學習的等離子體放電識別方法及系統，包括將采集到的放電圖像分為訓練集、驗證集和測試集，并打上預設的放電種類標簽，通過圖片預處理統一每張放電圖像的大?。皇褂糜柧毤瘜в蓄A訓練權重的卷積神經網絡進行訓練，使用驗證集調整卷積神經網絡的超參數并監控卷積神經網絡是否過擬合，以決定是否停止訓練；使用測試集驗證調整后的卷積神經網絡，計算誤差；保存測試完成的卷積神經網絡，用于識別等離子體放電類型。本發明能夠充分發揮機器學習的優勢，能夠快速準確地提取圖片特征，避免了人工提取特征的局限性。

技術領域

本發明屬于人工智能圖像識別領域，更具體地，涉及一種基于機器學習的等離子體放電識別方法及系統。

背景技術

電力設備在長期運行過程中會發生局部放電現象，不同的放電類型對絕緣破壞的程度也不同，所以往往需要專門的巡檢人員識別其放電種類并做出相應的措施。傳統的局部放電類型識別研究需要人為對信號進行特征提取，例如利用不同的放電檢測方法獲取放電時的電壓電流數據，再進行人工特征量的提取和相應算法的構建。但是此識別方法主要針對結構化數據，無法直接應用于局部放電圖像，將造成數據的大量浪費。

隨著無人機巡檢、機器人巡檢等智能化巡檢方式的出現，工作人員的巡線效率和安全系數得到了極大地提升，但在數據處理方面，仍然是傳統的人工肉眼觀察拍攝得到圖像，檢查并標注缺陷信息的工作方式。該方式準確率與檢測人員的經驗息息相關，同時還存在著因為長期觀測視覺疲勞導致漏檢率上升的隱患。

如今新興的機器學習技術就可以擺脫這種缺陷，它簡化人為提取特征的步驟，而是直接對采集到的放電圖像進行自動特征學習與模式識別的方法，契合當今電力巡檢中海量圖像高效率和智能化處理的需求。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種基于機器學習的等離子體放電識別方法及系統，旨在解決傳統人工識別效率低的問題，且避免產生因長期觀測視覺疲勞導致漏檢率上升的隱患。

為實現上述目的，本發明一方面提供了一種基于機器學習的等離子體放電識別方法。

為了方便說明，首先引入如下概念：

卷積神經網絡(CNN)：是一類包含卷積計算且具有深度結構的前饋神經網絡，是機器學習的代表算法之一，其具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類。具體來講，卷積神經網絡是由許多神經網絡層按照一定順序組合而成：輸入層、卷積層、池化層、全連接層和輸出層。

輸入層：是卷積神經網絡的始端，用于輸入圖像的三維矩陣。

卷積層：是卷積神經網絡的核心層，用于圖像數據的特征提取。

池化層：用于減小圖像數據的空間尺寸，即縮小圖像三維矩陣的大小。

全連接層：其作用是將上一層中的每個神經元連接到下一層中，主要用于完成分類任務。

輸出層：用于輸出分類結果。

數據集：從各種渠道搜集到的放電照片共400余張，將每一類數據集圖片按照6:2:2的比例分為訓練集、驗證集和測試集，其中訓練集用于模型的訓練，驗證集主要用于模型參數的調整，測試集不參與模型的訓練過程，主要用于測試模型性能的優劣。

基于機器學習的等離子體放電識別方法包括以下步驟：

將采集到的放電圖像分為訓練集、驗證集和測試集，并打上預設的放電種類標簽，通過圖片預處理統一每張放電圖像的大?。?/p>