一种用于输变电设备状态在线监测的图像分类方法技术

本发明专利技术提供一种用于输变电设备状态在线监测的图像分类方法，包括以下步骤：标注正反类样本；提取特征数据值，形成原始的训练样本集；得到分类模型；对分类模型进行交叉验证；对输变电设备状态图像进行实时分类。本发明专利技术提供的图像分类方法，能够针对输变电设备状态监测图像代价敏感和类别不平衡的特点，训练有效的分类模型，通过对设备状态图像的识别与分类，实时有效的自动判别输变电设备的运行状态，快速准确的找出发生异常的设备，提高输变电设备巡检信息处理的实效性和智能化水平。

【技术实现步骤摘要】
【专利摘要】本专利技术提供，包括以下步骤：标注正反类样本；提取特征数据值，形成原始的训练样本集；得到分类模型；对分类模型进行交叉验证；对输变电设备状态图像进行实时分类。本专利技术提供的图像分类方法，能够针对输变电设备状态监测图像代价敏感和类别不平衡的特点，训练有效的分类模型，通过对设备状态图像的识别与分类，实时有效的自动判别输变电设备的运行状态，快速准确的找出发生异常的设备，提高输变电设备巡检信息处理的实效性和智能化水平。【专利说明】
本专利技术涉及一种分类方法，具体讲涉及。
技术介绍
随着电力建设的快速发展，电网规模的不断扩大，电网设备的检修及维护工作越来越频繁。输变电设备在电力运行中担负着重要职责，对输变电设备的状态监测及故障诊断是保证电网安全稳定运行的基础。设备状态监测包括在线监测，必要时的离线检测及试验，以及不与运行设备直接接触的(如航拍及红外监测等)所有可得到运行状态数据的手段。根据设备状态监测的特征量与之前的历史结果进行纵向比较分析，与同类设备的监测结果进行横向比较，并结合历年离线检测试验数据和运行经验等，能够对设备是否发生故障，故障类型、严重程度及原因等做出综合判断，给出维修策略及方法。航拍及红外热成像作为非接触式状态监测技术采集设备状态图像，已广泛应用于输变电设备的检修与故障诊断，能在不中断生产的情况下发现输变电设备故障。若采用人工方式对采集到的图像进行分析和诊断，其效率较低且实时性较差。因此，在保证正确识别故障的前提下，采用自动化方法提高图像处理的实时性，是实现在线监测的关键问题。目前，已有不少成熟的机器学习算法应用在图像处理问题中，特别是图像分类问题。例如:基于遥感图像的土地分类、视频或图像中的目标检测等等。传统的机器学习图像分类方法包括支持向量机(SVM)、决策树、多层神经网络等，但是这些方法在解决分类问题时，都没有考虑到代价敏感问题和类别不平衡问题。输变电设备状态的监测图像存在类别不平衡的问题，其正常类的图像远多于异常类的图像；同时，对设备状态的判定上也存在的代价敏感问题，其正常类图像判定为异常和异常类图像判定为正常的代价是不同的。
技术实现思路
针对输变电设备状态监测图像具有代价敏感和类别不平衡的特点，本专利技术提供，能够针对输变电设备状态监测图像代价敏感和类别不平衡的特点，训练有效的分类模型，通过对设备状态图像的识别与分类，实时有效的自动判别输变电设备的运行状态，快速准确的找出发生异常的设备，提高输变电设备巡检信息处理的实效性和智能化水平。为了实现上述专利技术目的，本专利技术采取如下技术方案:本专利技术提供，所述方法包括以下步骤:步骤1:标注正反类样本；步骤2:提取特征数据值，形成原始的训练样本集；步骤3:得到分类模型；步骤4:对分类模型进行交叉验证；步骤5:对输变电设备状态图像进行实时分类。所述步骤I中的正反类样本图像来源于航拍及红外巡检图像，选取显示设备状态正常的图像标注为正类样本，选取显示设备状态异常的图像标注为反类样本。所述步骤2中，根据正反类样本的颜色特征和纹理特征提取特征数据值，并根据标注的相应类别标签，将特征数据值转化为对应分类问题的示例，形成原始训练样本集。所述步骤3中，采用级联式分类方法得到分类模型。所述步骤3具体包括以下步骤:步骤3-1:使用集成算法在原始的训练样本集X1上，训练出第I级分类器S1 ；步骤3-2:原始的训练样本集X1经过第I级分类器S1，第I级分类器S1以高置信度确定为正类样本的列入正类样本集Y1，其他样本列入第2层训练样本集X1-Y1 ；步骤3-3:使用集成算法在第2层训练样本集X1-Y1上，训练出第2级分类器S2 ；步骤3-4 -- 第2层训练样本集X1-Y1经过第2级分类器S2，第2级分类器S2以高置信度确定为正类样本的列入正类样本集Y2，其他样本列入第3层训练样本集X2-Y2 ；步骤3-5:使用集成算法在第3层训练样本集X2-Y2上，训练出第3级分类器S3 ；步骤3-6:以此类推，训练出第i层分类器Si,第i层训练样本集Xh-Yh经过第i级分类器Si,以高置信度划分正类样本及反类样本，第l-1层共i个分类器构建生成分类模型。所述步骤4包括以下步骤:步骤4-1:将原始的训练样本集随机分成N份，分别为Ap A2、A3、…、An，其中5〈=N〈=20，取其中的A1作为测试数据，其他N-1份混合作为训练数据对样本数据进行测试，根据测试数据的分类结果，得出分类准确率H1 ；步骤4-2:调整组合，取其中的A2作为测试数据，其他N-1份混合作为训练数据对样本数据进行测试，根据测试数据的分类结果，得出分类准确率H2 ；步骤4-3:以此类推，调整组合，取其中的An作为测试数据，其他N-1份混合作为训练数据对样本数据进行测试，根据测试数据的分类结果，得出分类准确率Hn ；步骤4-5:循环5-10次步骤4_1至步骤4_3，共得到5N-10N个分类准确率，取所得到的分类准确率平均值，作为对该分类模型的分类准确率；步骤4-6:若分类模型的分类准确率低于预设阈值，则重新执行步骤2，重新提取特征数据值，建立新的分类模型；若该分类模型的分类准确率高于或等于设置的阈值时，则不更新模型，执行步骤5。所述步骤5中，应用生成的分类模型对输变电设备状态图像进行实时分类。与现有技术相比，本专利技术的有益效果在于:(I)将图像分类技术应用于输变电设备状态监测中，通过对设备巡检图像的识别与分类，快速找出状态异常设备，有效提高输变电设备巡检信息处理的智能化水平。(2)利用级联式分类方法训练出的分类模型，充分考虑正类样本图像数量远大于反类样本图像数量，基于级联结构，正类样本图像被逐级过滤，有效解决类别不平衡问题。(3)利用级联式分类方法训练出的分类模型，充分考虑状态正常图像和状态异常图像识别的代价不同，在每一级中根据错误分类代价，调整级联之间的权值，解决代价敏感问题。(4)对分类模型进行交叉验证，得出该分类模型的性能评价值，若分类模型不达标，则重新提取特征项，直至训练得到性能优秀的分类模型，加快图像分类的速度。【专利附图】【附图说明】图1是本专利技术实施例中用于输变电设备状态在线监测的图像分类方法流程图；图2是本专利技术实施例中采用级联式分类方法得到分类模型流程图；图3是本专利技术实施例中5倍交叉验证法对分类模型的评估流程图。【具体实施方式】下面结合附图对本专利技术作进一步详细说明。本专利技术提供，所述方法包括以下步骤:步骤1:标注正反类样本；步骤2:提取特征数据值，形成原始的训练样本集；步骤3:得到分类模型；步骤4:对分类模型进行5倍交叉验证；步骤5:对输变电设备状态图像进行实时分类。`所述步骤I中的正反类样本图像来源于航拍及红外巡检图像，选取显示设备状态正常的图像标注为正类样本，选取显示设备状态异常的图像标注为反类样本。所述步骤2中，根据正反类样本的颜色特征和纹理特征提取特征数据值，并根据标注的相应类别标签，将特征数据值转化为对应分类问题的示例，形成原始训练样本集。所述步骤3中，采用级联式分类方法得到分类模型。构建级联式分类器，不同级的分类器关注不同的模式，容易被识别的正类样本图像在前一两级被正确过滤，级联结构中偏后的分类器负责关注如何区别更加难以区别图像之间的模式。级联式分类方法充分考虑正类样本图像数量远本文档来自技高网...

【技术保护点】
一种用于输变电设备状态在线监测的图像分类方法，其特征在于：所述方法包括以下步骤：步骤1：标注正反类样本；步骤2：提取特征数据值，形成原始的训练样本集；步骤3：得到分类模型；步骤4：对分类模型进行交叉验证；步骤5：对输变电设备状态图像进行实时分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄莉，梁云，黄凤，黎铭，郭经红，林为民，姚继明，刘世栋，姜远，
申请(专利权)人：国家电网公司，中国电力科学研究院，南京大学，
类型：发明
国别省市：