【技术实现步骤摘要】
本专利技术涉及输电线路缺陷检测，具体地说，涉及一种基于主动学习的输电线路绝缘子缺陷目标识别方法。
技术介绍
1、电能的生产与消费系统整体构成了电力系统，其系统由供配电网，发电厂，以及电力用户等不同的环节组成，自然能源通过发电装置被转化为电能，经过输电线路传输给各个用电单位，保障传输线路的安全可靠对国家战略安全与日常生活都有十分重要的意义。
2、电力设施是否能正常运作关系到国计民生与国家能源安全，同样也推动着社会不断的发展，是国家重要的战略发展设施，而其中输电线路作为电力设备之间传输的关键设施，其安全稳定运行更是关系到社会的正常运转，近年来随着人民生活水平的不断提高，输电线路越来越普及，其总长度也不断增长。
3、由于我国幅员辽阔，从北到南横跨寒温带、中温带、暖温带、亚热带、热带，输电线路的材料经受这样复杂的温度考验难免产生损坏，特别是台风，暴雨，暴晒，雨雪，冰霜等恶劣极端天气更增加了输电线路损坏的概率；除此之外，自然界产生的雷击等高电压影响也会使得输电线路出现寿命年限折扣，输电线路上的重要组成部分绝缘子，受到上述极端天气的干扰产生的破损、金属疲劳和阻抗降低会造成严重的电力故障，严重的可导致大面积的电力瘫痪，在过去的输电线路损坏记录中，由于绝缘子损坏造成的电力故障比例超过电力故障的一半，各个地区均有因为绝缘子破损造成电力大规模瘫痪的记录。
4、然而由于某些地区恶劣的环境条件，使得输电线路出现故障，造成不必要的损失，因此定期巡检成为保持电力系统正常运作的一项重要工作。巡检工作需要大量人力物力投入，随
5、随着机器学习在图像方面应用取得巨大成功，其也被越来越多的应用在电网中，机器学习通过使用卷积神经网络对图像特征进行提取，使用梯度反向传播对模型进行优化，并最终达到期望的目标值，对于绝缘子缺陷来说，使用机器学习对绝缘子缺陷进行检测，不但能够提高巡检的检测效率，降低人工巡检所需的成本，而且能够在最快的时间发现并处理，最大程度上降低故障带来的损失。鉴于此，我们提出了一种基于主动学习的输电线路绝缘子缺陷目标识别方法。
技术实现思路
1、本专利技术的目的在于提供一种基于主动学习的输电线路绝缘子缺陷目标识别方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述技术问题的解决，本专利技术的目的之一在于，提供了一种基于主动学习的输电线路绝缘子缺陷目标识别方法，以faster rcnn为基础构建目标检测模块，在仅有少量基础数据的情况下，挖掘未标记样本中的有价值样本进行人工标注，实现人机交互下的绝缘子缺陷的目标检测；该方法主要由目标检测模块和主动学习循环部分两部分组成；具体包括如下步骤：
3、s1、目标检测模块；目标检测模块采用faster rcnn为基本的检测框架，faster r-cnn的算法流程概括如下：
4、s1.1、输入原始图像，并对图片大小进行限制；
5、s1.2、使用卷积神经网络对图像进行特征提取，生成的特征图由区域建议网络rpn和检测网络共享；
6、s1.3、将提取的特征图进行区域建议网络中的滑窗操作，取得区域建议以及区域得分；区域得分经过非极大抑制操作nms得到前n个得分高的区域建议，再进行感兴趣区域roi池化操作，通过该操作可以得到区域建议特征；
7、s1.4、进行全连接操作得到此区域的类别分数以及此区域坐标信息；
8、s2、主动学习循环部分；具体为：
9、在主动学习目标检测中，给定固定的标签预算，主动学习按照若干个循环迭代设置，模型的每个周期包括数据的度量计算、数据采样和模型的训练；在每个循环里，无标池里放有未标注图像，同时还设置有标池，主动学习的目的在于挑选数据环节，即将无标池中最有价值的图像挑选出来并标记加入有标池，通过循环训练，实现目标的主动学习。
10、作为本技术方案的进一步改进，所述步骤s1.1中，在输入原始图像时，需要对图片大小进行限制以保证模型的普适性，具体为：在进行模型训练前，将所有的图像数据的像素大小进行尺寸放缩，限制图像长边≤1000，短边≤600，且图像的通道数转换为3通道的彩色图像。
11、作为本技术方案的进一步改进，所述步骤s1.2中，基于绝缘子缺陷的背景较为复杂的问题，对图像进行特征提取后，在所述目标检测模块中添加sge注意力机制，以使模型能够忽略背景噪声带来的干扰；sge包含以下步骤：
12、s1.2.1、对于c×h×w的卷积特征图，将其按照通道数分为g组，其在空间中的每一个位置都有向量表示，即x＝{x1...m},m＝h×w，通过空间平均函数fgp(·)，使用全局统计特征近似表示该组学习的语义向量：
13、
14、其中，g表示语义向量，c表示通道数，h、w均表示卷积核，m表示向量数，xi表示位置向量；
15、s1.2.2、使用全局特征为每个特征生成相应的权重系数，权重与特征以点积的形式得到，一定程度上反映了全局特征与局部特征之间的关系，对于每个位置有：
16、ci＝g·xi；
17、其中，ci为特征相应的权重系数，可以被展开为||g||||xi||cos(θi)，其中θi是g与xi之间的夹角；
18、s1.2.3、为了控制不同缺陷样本输入给权重系数带来不必要的影响，对空间进行归一化处理：
19、
20、
21、
22、其中，为归一化后的权重系数，μc为原始权重系数的均值，σc为原始权重系数的标准差，是为了防止数值不稳定而添加的常数；
23、s1.2.4、为了确保网络中插入的归一化可以恒等表示，我们引入系数γ,β进行缩放：
24、
25、其中，ai表示缩放后的权重系数，γ,β是添加在模块中的唯二参数，在单个注意力机制单元中，γ,β的数量与g组的数量相同，参数加入几乎可以忽略不计；
26、s1.2.5、对增强特征xi进行sigmoid阈值的缩放：
27、
28、最后所有增强特征形成结果特征组：
29、m＝h×w；
30、其中，为归一化后的增强特征向量，σ(·)为sigmoid函数，为归一化后的增强特征组；
31、由此得到输出的特征图，并将该特征图输入到rpn区域建议网络中。
32、作为本技术方案的进一步改进，所述步骤s1.3中，rpn在特征图上滑动窗口遍历每个点，使用非极大值抑制算法nms根据分类的得分对这些建议框按得分大小排序，去除冗余的建议框，选择出最大分数的候选框m作为感兴趣区域roi，将剩余的候选框bi依次与候选框m进行对比，如果二者的重叠面积大于设定阈值，就将此候选框的检测分数置为0；nms算法处理方法可以通过以下公式表达：
33、
34、其中，nt为重叠阈值；si为第i个预测本文档来自技高网...
【技术保护点】
1.一种基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤S1.1中，在输入原始图像时，需要对图片大小进行限制以保证模型的普适性，具体为：在进行模型训练前，将所有的图像数据的像素大小进行尺寸放缩，限制图像长边≤1000，短边≤600，且图像的通道数转换为3通道的彩色图像。
3.根据权利要求2所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤S1.2中，基于绝缘子缺陷的背景较为复杂的问题，对图像进行特征提取后，在所述目标检测模块中添加SGE注意力机制，以使模型能够忽略背景噪声带来的干扰；SGE包含以下步骤：
4.根据权利要求3所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤S1.3中，RPN在特征图上滑动窗口遍历每个点，使用非极大值抑制算法NMS根据分类的得分对这些建议框按得分大小排序，去除冗余的建议框，选择出最大分数的候选框M作为感兴趣区域RoI，将剩余的候选框bi依次与候选框M进行
5.根据权利要求1所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤S2中，所述挑选数据环节由多尺度预测损失进行数据的挑选，首先使用上一轮有标记数据对模型进行训练，然后使用预测损失对未标记池中的未标记数据进行评估，选出预测损失最大的K个值打标后送入标记池，并将未标记池中的相应数据删除，更新标记池与未标记池，进行下一轮的主动学习。
6.根据权利要求5所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述多尺度预测损失的具体算法包括如下：
...【技术特征摘要】
1.一种基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤s1.1中，在输入原始图像时，需要对图片大小进行限制以保证模型的普适性，具体为：在进行模型训练前，将所有的图像数据的像素大小进行尺寸放缩，限制图像长边≤1000，短边≤600，且图像的通道数转换为3通道的彩色图像。
3.根据权利要求2所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤s1.2中，基于绝缘子缺陷的背景较为复杂的问题，对图像进行特征提取后，在所述目标检测模块中添加sge注意力机制，以使模型能够忽略背景噪声带来的干扰；sge包含以下步骤：
4.根据权利要求3所述的基于主动学习的输电线路绝缘子缺陷目标识别方法，其特征在于：所述步骤s1.3中，rpn在特征...
【专利技术属性】
技术研发人员：纳智敏，尤志鹏，张松，薛峰，李文达，凌维周，刘立文，石利荣，高锋，罗艺，颜冲强，黄俞搏，钱海，柏兴山，张杰，陈武，袁齐坤，王学良，曹森，晏凯，冯文斐，王璋，尹倩，苗俊，肖雪，胡留方，王乾龙，樊金泽，李胤廷，代志超，朱家山，陈宏，
申请(专利权)人：云南电网有限责任公司曲靖供电局，
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。