[發(fā)明專利]一種基于非平衡類深度學(xué)習(xí)的絕緣子檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111546879.6
• 申請(qǐng)日: 2021-12-16
• 公開（公告）號(hào): CN116030287A
• 公開（公告）日: 2023-04-28
• 發(fā)明（設(shè)計(jì)）人: 姚楠;吳曦;劉子全;單光瑞;王真;趙雨希;秦劍華;潘建亞;朱雪瓊;薛海
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院;國網(wǎng)江蘇省電力有限公司;江蘇省電力試驗(yàn)研究院有限公司
• 主分類號(hào): G06V10/762
• 分類號(hào): G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 蘇州市中南偉業(yè)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32257
• 代理人: 劉卉

本發(fā)明一種基于非平衡類深度學(xué)習(xí)的絕緣子檢測(cè)方法，具體步驟如下：步驟1：手動(dòng)提取或從已訓(xùn)練好的變電站絕緣子識(shí)別模型中得到M維先驗(yàn)特征；步驟2：根據(jù)樣本特征集，使用K?Means方法分別對(duì)每個(gè)類中樣本的特征進(jìn)行聚類；步驟3：對(duì)所有抽取到的樣本構(gòu)建五元表；步驟4：將五元表中的五個(gè)元素分別輸入到五個(gè)相同的CNN網(wǎng)絡(luò)結(jié)構(gòu)中，構(gòu)建損失函數(shù)計(jì)算損耗并反向梯度傳播，以更新CNN網(wǎng)絡(luò)參數(shù)；步驟5：迭代執(zhí)行步驟2?步驟4，得到更新的CNN網(wǎng)絡(luò)。本發(fā)明利用五元組約束，通過深層網(wǎng)絡(luò)，強(qiáng)調(diào)了簇間和類間的邊界，可以提取到更多的差別化的深層表征，解決了由于數(shù)據(jù)分布不均衡所帶來的差異化問題，并且進(jìn)行網(wǎng)絡(luò)模型壓縮，在測(cè)試是否收斂時(shí)能夠加快計(jì)算速度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于非平衡類深度學(xué)習(xí)的絕緣子檢測(cè)方法。

背景技術(shù)

在圖像識(shí)別檢測(cè)中，有時(shí)會(huì)出現(xiàn)樣本分布不均衡的情況，容易出現(xiàn)部分?jǐn)?shù)據(jù)類較大，另一部分?jǐn)?shù)據(jù)類較小的情況，這樣往往會(huì)造成樣本量較少的類所包含的特征較少，難以從中提取規(guī)律。對(duì)于圖像邊緣檢測(cè)，樣本往往呈現(xiàn)冪律分布。

而傳統(tǒng)的解決方案通常分為兩大類，重采樣和代價(jià)敏感學(xué)習(xí)，前者通過改變數(shù)據(jù)分布，后者通過引入限制條件，但均沒有改變樣本量不足，信息匱乏的問題。

為了解決這個(gè)問題，可以通過插入相鄰的少數(shù)類實(shí)例。然而，通過人工合成噪聲和邊界，其擴(kuò)大的決策區(qū)域仍然容易出錯(cuò)。因此，盡管可能會(huì)刪除潛在的有價(jià)值的信息，但欠采樣通常優(yōu)于過采樣。成本敏感的替代方案通過直接對(duì)少數(shù)群體的錯(cuò)誤分類施加更重的懲罰來避免這些問題。例如經(jīng)典SVM對(duì)成本敏感，以改進(jìn)對(duì)高度傾斜數(shù)據(jù)集的分類。將代價(jià)敏感法與ensemble?approaches相結(jié)合，以進(jìn)一步提高分類精度。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于非平衡類深度學(xué)習(xí)的絕緣子檢測(cè)方法，利用五元組約束，通過深層網(wǎng)絡(luò)，強(qiáng)調(diào)了簇間和類間的邊界，可以提取到更多的差別化的深層表征，解決了由于數(shù)據(jù)分布不均衡所帶來的差異化問題，并且進(jìn)行網(wǎng)絡(luò)模型壓縮，在測(cè)試是否收斂時(shí)能夠加快計(jì)算速度。

本發(fā)明中主要采用的技術(shù)方案為：

一種基于非平衡類深度學(xué)習(xí)的絕緣子檢測(cè)方法，具體步驟如下：

步驟1：手動(dòng)提取或從已訓(xùn)練好的變電站絕緣子識(shí)別模型中得到M維先驗(yàn)特征，得到樣本特征集P＝{p₁，p₂…，p_m}，m為特征個(gè)數(shù)；

步驟2：根據(jù)提取到的樣本特征集P＝{p₁，p₂…，p_m}，使用K-Means方法分別對(duì)每個(gè)類中樣本的特征進(jìn)行聚類；

步驟3：從每個(gè)類中重復(fù)均等地采樣小批量，對(duì)所有抽取到的樣本構(gòu)建五元表；

步驟4：將五元表中的五個(gè)元素分別輸入到五個(gè)相同的CNN網(wǎng)絡(luò)結(jié)構(gòu)中，構(gòu)建損失函數(shù)計(jì)算損耗并反向梯度傳播，以更新CNN網(wǎng)絡(luò)參數(shù)；

步驟5：迭代執(zhí)行步驟2-步驟4，直至達(dá)到預(yù)設(shè)的迭代次數(shù)，得到更新的CNN網(wǎng)絡(luò)，用于實(shí)現(xiàn)對(duì)絕緣子的檢測(cè)。

優(yōu)選地，所述步驟2中，對(duì)樣本特征集P＝{p₁，p₂…，p_m}進(jìn)行分類，記為b＝{0，1}，其中，含目標(biāo)的少數(shù)類，表示不含目標(biāo)的多數(shù)類，使用K-Means方法對(duì)每個(gè)類中樣本的特征進(jìn)行聚類的具體步驟如下：

步驟2-1：從類中隨機(jī)選擇k個(gè)初始質(zhì)心其中，n＝0；

步驟2-2：計(jì)算類中的所有樣本p_i與每個(gè)質(zhì)心之間的歐式距離，如公式(1)所示：

其中，表示第n次迭代的第j個(gè)質(zhì)心；