【技术实现步骤摘要】
基于GAN的输电线路巡检图像中故障识别方法及系统
[0001]本专利技术涉及电力系统检修
，具体是基于
GAN
的输电线路巡检图像中故障识别方法及系统
。
技术介绍
[0002]目前，为了克服人工进行输电线路巡检存在的问题，无人机巡检
、
人工智能等新技术不断被引入到输电线路巡检中，不仅提高了提高了巡检效率，还降低了成本
。
但目前基于人工智能的方法仍存在以下问题：首先，在实际的输电线路巡检图像数据中，正常样本往往远远多于故障样本
。
这导致模型倾向于过度学习正常样本，而对故障样本的识别效果较差
。
其次，输电线路巡检图像中的故障类型和形态可能非常多样化，模型难以同时适应不同类型的故障
。
以上问题都将会直接影响输电线路巡检的故障辨识效率和准确度
。
技术实现思路
[0003]为了解决上述问题，本专利技术提供了一种适用于不同故障类型的
、
故障辨识效率和准确度高的基于
GAN
的输电线路巡检图像中故障识别方法及系统
。
[0004]为了达到上述目的，本专利技术是通过一下技术方案来实现的：
[0005]本专利技术是基于
GAN
的输电线路巡检图像中故障识别方法，包括如下步骤：
[0006]自适应采集输电线路巡检图像数据；
[0007]基于
Sobel
‑
Kmeans
...
【技术保护点】
【技术特征摘要】
1.
基于
GAN
的输电线路巡检图像中故障识别方法，其特征在于：包括如下步骤：自适应采集输电线路巡检图像数据；基于
Sobel
‑
Kmeans
提取输电线路巡检图像特征，包括利用
Sobel
对输电线路巡检图像数据进行预处理，提取输电线路巡检图像特征，基于
Kmeans
聚类算法锁定输电线路巡检图像特征；基于
GAN
构建输电线路故障模型库；将基于
Sobel
‑
Kmeans
提取的输电线路巡检图像特征与基于
GAN
构建的输电线路故障模型库进行在线匹配，根据匹配结果，判断输电线路巡检图像中是否存在故障
。2.
根据权利要求1所述的基于
GAN
的输电线路巡检图像中故障识别方法，其特征在于：所述输电线路巡检图像数据表达式为：
I
xy
＝
I(x,y),x∈(1,2,
…
,m),y∈(1,2,
…
,n) (2)
；
(m,n)
＝
f(P,t) (3)
；其中，
I
为采集的输电线路巡检图像数据矩阵，
m
为输电线路巡检图像分割后的行数，
n
为输电线路巡检图像分割后的列数，
I
xy
为输电线路巡检图像数据矩阵中的元素，
x
为行，
y
为列，
I(x,y)
为输电线路巡检图像的像素值，
P
为历史图像辨识的准确度，
t
为历史图像的辨识时间
。3.
根据权利要求2所述的基于
GAN
的输电线路巡检图像中故障识别方法，其特征在于：所述利用
Sobel
对输电线路巡检图像数据进行的预处理包括高斯滤波处理
、
水平和垂直方向梯度计算
、
梯度幅值与梯度方向计算
、
非极大值抑制操作
、
双阈值检测和边缘跟踪操作，具体包括：步骤
a1
，对输入的输电线路巡检图像进行高斯滤波处理，表达式如下：
G(x,y)
＝
I(x,y)
·
H(x,y) (4)
；其中，
G(x,y)
为经过高斯滤波后的输电线路巡检图像的像素值，
I(x,y)
为输电线路巡检图像的像素值，
H(x,y)
为高斯滤波函数；步骤
a2
，对经过高斯滤波后的输电线路巡检图像的像素值
G(x,y)
分别进行水平和垂直方向的梯度计算，表达式为：
G
x
(x,y)
＝
(G(x+1,y)
‑
G(x
‑
1,y))/2 (5)
；
G
y
(x,y)
＝
(G(x,y+1)
‑
G(x,y
‑
1))/2 (6)
；其中，
G
x
(x,y)
为水平方向的梯度，
G
y
(x,y)
为垂直方向的梯度；步骤
a3
，计算梯度幅值与梯度方向，表达式为：
θ
(x,y)
＝
arctan(G
y
(x,y)/G
x
(x,y)) (8)
；其中，
G
f
(x,y)
为像素点的梯度幅值，
θ
(x,y)
为像素点的梯度方向；步骤
a4
，在梯度方向上，保留输电线路巡检图像中梯度幅值最大的像素；
步骤
a5
，进行双阈值检测，通过设定阈值，将像素点分为强边缘
、
弱边缘，其中，梯度幅值大于阈值
δ
的像素点被标记为强边缘，梯度幅值小于阈值
δ
的像素点为弱边缘，当像素点的梯度幅值小于阈值
δ
时，剔除对应的像素值，将其梯度幅值设为0，表达式为：
G
f
(x,y)
＝
0,if G
f
(x,y)≤
δ
ꢀꢀꢀꢀ
(9)
；其中，
δ
为阈值；步骤
a6
，边缘跟踪：将强边缘输电线路巡检图像像素点和与之相邻的弱边缘输电线路巡检图像像素点连接，得到初步处理数据，即输电线路巡检图像特征
I
′1：
4.
根据权利要求3所述的基于
GAN
的输电线路巡检图像中故障识别方法，其特征在于：所述基于
Kmeans
聚类算法锁定输电线路巡检图像特征具体为：利用
Kmeans
聚类算法，对输电线路巡检图像特征
I
′1进行聚类操作，得到若干类输电线路巡检图像特征，利用输电线路巡检图像特征方向相似性原理，剔除不属于输电线路的数据，锁定最终的输电线路巡检图像特征，具体步骤包括：步骤
b1
，确定样本集；
{
μ1,
μ2,
…
,
μ
k
} (12)
其中，
m1为样本数量
,d
i
为第
i
个样本，
D
为数据集，
μ
k
为第
k
个质心向量
,I
′1(x,y)
为经过特征提取得到的输电线路巡检图像的像素值；步骤
b2
，计算样本
d
i
和各个质心向量
μ
j
的距离
L
ij
,
其中
j
＝
1,2,
…
,k
，将样本
d
i
标记最小的距离
L
ij
归入第
j
个聚类集合
C
j
；步骤
b3
，重新计算样本的质心，返回步骤
b2
，直到所有样本计算归类完成；
d
为已经归类到第
j
个聚类集合
C
j
中的样本集；步骤
b4
，得到最终的分类
C
；
C
＝
{c1,c2,
…
,c
k
} (15)
其中，
c
k
＝
{I
′1(x
k
,y
k
)}
为第
k
个聚类集合，
I
′1(x
k
,y
k
)
为像素点；步骤
b5
，利用输电线路巡检图像特征方向相似性原理，剔除不属于输电线路的数据，锁定最终的输电线路巡检图像特征，表示如下：
c
k
＝
0,if
θ
kz
≠min(
θ
1z
,
θ
2...
【专利技术属性】
技术研发人员：张益霖，郭建凯，徐咏盛，王泽一，王吉文，冷冰冰，王梓名，高光敏，
申请(专利权)人：长春晟德科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。