一种基于集成学习的输电设备自动故障识别方法技术

本发明专利技术涉及一种基于集成学习的输电设备自动故障识别方法，包括以下步骤：获得包含电力设备的源图像，进行目标识别并裁取设备子图像；再将截取到的设备子图像通过深度学习技术进行分类，同时提取设备子图像纹理特征通过支持向量机进行分类，然后将多种分类结果融合进行集成学习，得出故障识别结果。本发明专利技术可以更全面地挖掘图像信息，减少由于图像质量带来的训练误差；通过多模型融合检测的集成学习方法，能够有效解决单模型检测带来的由于模型本身设计性缺陷导致的误差及有限的泛化能力，提高了检测的准确率。

【技术实现步骤摘要】
一种基于集成学习的输电设备自动故障识别方法
本专利技术涉及数字图像处理、深度学习、目标识别
具体说的是基于深度学习、支持向量机对于图像及其纹理特征模型融合检测的输电网设备安全状态及故障类型自动判断识别的技术。
技术介绍
中国的电网飞速发展，对电网安全运行各阶段智能化要求以及对人工成本的削减的要求提高。电网线路上设备组成较为复杂，而且设备工作关联的紧密性较强，潜在隐患可能导致大规模的供电故障，所以及时、有效的检测是必不可少的。线路的人工检测存在慌检、漏检、误检的情况，减少人工成本同时也是必然趋势。然而现有的智能检测方法多通过深度学习单模型进行图像的目标检测，由于所选模型的固有问题，识别及判断准确度、泛化能力有待提高。并且目前智能检测方法多针对于某一目标设备或是某一种缺陷，不能够对输电线路整体缺陷与故障检测。
技术实现思路
针对上述技术不足，本专利技术的目的提供一种基于集成学习预测的输电网自动故障识别方法。该方法可以在电网输电线路检修工作中，快速高效准确地检测输电线路之中关键设备的潜在隐患以及故障类型。本专利技术解决其技术问题所采用的技术方案是：一种基于集成学习的输电设备自动故障识别方法，包括以下步骤：1)获得包含输电设备的源图像，进行目标识别并裁取设备子图像；2)再将裁取到的设备子图像通过深度学习进行分类，同时提取设备子图像纹理特征通过支持向量机进行分类，然后将多种分类结果融合进行集成学习，得出故障识别结果；3)将待检测的输电设备图像进行自适应故障检测。所述进行目标识别并裁取设备子图像，包括以下步骤：对源图像中设备的类别及区域进行标注，获得设备区域坐标、设备类别标签；源图像、设备类别标签和区域坐标作为训练样本，送入目标识别深度卷积网络中进行训练，获得目标识别网络模型；将源图像输入目标识别网络模型，得到仅包含输电设备的设备子图像以及子图像信息，经清洗加噪处理后得到数据集T；所述设备子图像信息包括设备类别标签、在所属源图像中的位置坐标。步骤2)包括以下步骤：对于标有同一设备类别的设备子图像：将数据集T中的样本二次标注，即按照输电设备类别增加含有故障类别的标签；对数据集T提取图像的HOG纹理特征，选取部分纹理特征的特征向量送入第一分类器中进行分类，得到第一分类器模型，通过其余特征向量作为测试集检验该分类器模型；从数据集T中选取部分设备子图像作为训练集送入第m个分类器中进行训练，获取第m个分类器模型，通过其余设备子图像作为测试集检验第m个分类器模型；m＝1，…，N-1，N为分类器个数；将多个分类器进行集成学习，得到设备故障识别结果。所述将多个分类器进行集成学习，得到设备故障识别结果，包括以下步骤：从数据集T中选取部分样本构成I级训练集，共M个样本，样本随机分为n份，任两份样本数差值小于阈值；其中n-1份作为训练集，即II级训练集，剩余的1份作为测试集，即II级测试集；T数据集中除去I级训练集之后构成I级测试集；将所述I级训练集的n份依次轮换，得到n个II级训练集及对应的n个II级测试集，将n个II级训练集分别在某一种分类器中进行训练得到n个模型，然后对对应的n个II级测试集进行预测得到M1、M2…Mn个预测值；按照I级训练集各份的排序顺序拼接得I级训练集自身的M个预测值，N种分类器可获得N组训练集的自分类结果，每组训练集的自分类结果包含M个预测值，形成M个N维特征向量，记为特征矩阵X；对于某一种分类器模型，使用n个训练好的模型对于I级测试集进行预测，得到n种单模型预测结果、每种单模型预测结果包含K个预测值，然后将n种预测结果取平均值得到K个预测值；N种分类器得N组预测结果、每组预测结果包含K个预测值，记为特征矩阵Y；将特征矩阵X作为训练集送入支持向量机模型中进行训练，得到集成学习分类器模型；将特征矩阵Y通过集成学习分类器模型进行分类，得到包含故障类别的识别结果。步骤3)包括以下步骤：将待检测的输电设备图像输入步骤1)中所得的目标识别网络模型中识别设备类别并裁减出待检测设备子图像；将待检测设备子图像按照设备类别输入步骤2)中所得的集成学习分类模型中，得到设备的故障类别。所述第一分类器为支持向量机。所述第m个分类器为深度卷积网络模型。所述深度卷积网络模型为ResNet或DenseNet。所述目标识别网络模型为FasterR-CNN。本专利技术具有以下有益效果及优点：采用本专利技术的集成学习的输电网自动故障识别方法，基于深度卷积神经网络和支持向量机多模型融合，对巡检无人机或者任意来源的输电线路图像，能够快速准确地自适应识别出图像中各电力设备的种类以及其故障类别，能够检测长距离输电线路多角度的海量现场图片中的故障类别；通过图像本身及其纹理特征的结合，本方法可以更全面地挖掘图像信息，减少由于图像质量带来的训练误差；通过多模型融合检测的集成学习方法，能够有效解决单模型检测带来的由于模型本身设计性缺陷导致的误差及有限的泛化能力，提高了检测的准确率。附图说明图1是本专利技术的方法流程图。图2是本专利技术的自适应故障检测流程图。具体实施方式下面结合实施例对本专利技术做进一步的详细说明。在具体实施例中，通过无人机自动巡检技术获得的以及人工、固定翼巡检等其他方式得到的包含输电线路目标设备的整体图像，标注目标设备的位置和名称得到深度学习目标检测模型的训练数据，通过训练深度学习目标检测模型；对于裁剪出的子图象，标注其故障类别，并送入深度卷积神经网络中进行训练，得到分类模型，同时提取子图象的纹理特征送入支持向量机进行训练，得到另一种分类模型；通过集成学习将多个模型的分类结果进行整合，得到一个具有多种模型共同优点新的分类器。再利用集成学习分类器模型对于任意分辨率的图片进行自适应剪裁、分类得到全部故障类型的检测结果。如图1所示，一种集成学习预测的输电网自动故障识别方法包括以下几部分内容，第一部分是训练出基于深度学习目标检测、深度卷积神经网络和支持向量机融合的分类器模型；第二部分是利用第一部分生成的集成学习模型对各种分辨率的图像进行故障检测并判断设备类别以及故障类型。第一部分集成学习的分类器模型包含以下内容：1.获取包含线路目标设备的现场样本图像。图像主要靠智能巡检中巡检无人机搭载的高清全景摄像设备采集获得，同样人工巡检、部分智能杆塔的图像采集设备以及固定翼无人机在全线路巡检获得的高长度图像等图像也可以作为图像的样本。在这里，由于硬件不同，获得到的图像在分辨率、噪声、纹理还原度等存在一定的个体差异。图像中的故障类型包含线路缺陷因素类型较多，在样本的准备阶段，需要一定量的人工标注工作，并且标注的样本需要通过一定的诸如样本筛选、渲染、人工加噪点等后期处理工作，为了得到泛化能力和鲁棒性更强的模型，以得到更好的样本训练效果。在具体实施例中，对输电设备源图像调整为统一的分辨率，使用图像目标区域标记工具(我们选用开源工具labelImg)对输电线路样本源图像中各类设备的类别及区域进行人工标注，获得带有标记框和目标设备类别标签的信息的可扩展标记语言(xml)文件。将输电线路样本源图像和上述获取的xml文件作为训练样本，送入目标识别深度卷积网络中进行训练，调整网络参数(如训练迭代次数、每轮迭代的样本数等)训练多次后获得适合样本的目标识别网络模型，可自适应标记输电线路设备类别本文档来自技高网...

【技术保护点】
1.一种基于集成学习的输电设备自动故障识别方法，其特征在于，包括以下步骤：1)获得包含输电设备的源图像，进行目标识别并裁取设备子图像；2)再将裁取到的设备子图像通过深度学习进行分类，同时提取设备子图像纹理特征通过支持向量机进行分类，然后将多种分类结果融合进行集成学习，得出故障识别结果；3)将待检测的输电设备图像进行自适应故障检测。

【技术特征摘要】
1.一种基于集成学习的输电设备自动故障识别方法，其特征在于，包括以下步骤：1)获得包含输电设备的源图像，进行目标识别并裁取设备子图像；2)再将裁取到的设备子图像通过深度学习进行分类，同时提取设备子图像纹理特征通过支持向量机进行分类，然后将多种分类结果融合进行集成学习，得出故障识别结果；3)将待检测的输电设备图像进行自适应故障检测。2.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述进行目标识别并裁取设备子图像，包括以下步骤：对源图像中设备的类别及区域进行标注，获得设备区域坐标、设备类别标签；源图像、设备类别标签和区域坐标作为训练样本，送入目标识别深度卷积网络中进行训练，获得目标识别网络模型；将源图像输入目标识别网络模型，得到仅包含输电设备的设备子图像以及子图像信息，经清洗加噪处理后得到数据集T；所述设备子图像信息包括设备类别标签、在所属源图像中的位置坐标。3.根据权利要求1所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，步骤2)包括以下步骤：对于标有同一设备类别的设备子图像：将数据集T中的样本二次标注，即按照输电设备类别增加含有故障类别的标签；对数据集T提取图像的HOG纹理特征，选取部分纹理特征的特征向量送入第一分类器中进行分类，得到第一分类器模型，通过其余特征向量作为测试集检验该分类器模型；从数据集T中选取部分设备子图像作为训练集送入第m个分类器中进行训练，获取第m个分类器模型，通过其余设备子图像作为测试集检验第m个分类器模型；m＝1，…，N-1，N为分类器个数；将多个分类器进行集成学习，得到设备故障识别结果。4.根据权利要求3所述的一种基于集成学习的输电设备自动故障识别方法，其特征在于，所述将多个分类器进行集成学习，得到设备故障识别结果，包括以下步骤：从数据集T中选取部分样本构成I级训练集，共M个样本，样本随机分为n份，任两份样本数差值小于阈值；其中n-1份作为训练...

【专利技术属性】
技术研发人员：王子蕴，
申请(专利权)人：王子蕴，
类型：发明
国别省市：辽宁,21