基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质与流程

1.本发明涉及配网线路智能巡检领域，更具体的说是一种基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质。


背景技术：

2.绝缘子是配电线路重要组成部分之一，用来支撑架空线路和电气隔离的关键器件。然而，随着配网架空线路的覆盖范围和里程不断扩大，大量配电线路长期暴露于户外恶劣环境中，面临雷电、潮湿气候、强电磁、污秽和各类自然灾害的挑战。在长期运行过程中，绝缘子不可避免地产生各类缺陷，例如绝缘子破损、绝缘子表面灼伤、严重污秽。如未能及时识别出这些缺陷故障，任由其发展，将造成设备本体脱落或火花放电，进而导致配网线路跳闸，造成严重的经济损失。2018-2020年，湖南电网公司管辖的10kv配网线路中，由绝缘子缺陷引发的线路跳闸数占当年线路总跳闸数的22.5％，19.2％，17.3％。
3.当前，对10kv配网线路的绝缘子缺陷识别主要依靠人工巡线的方式。这种方式不仅人力资源浪费大，检测周期长，而且误检率较高。因此，提出智能的、可靠的配网线路绝缘子识别方法，进而采取积极主动的检修措施，对保障配网线路安全运行具有重要的实际意义。
4.近年来，随着深度学习和图像识别技术的快速发展，国内外研究人员提出一系列高性能的图像识别模型。这些模型通过大量训练数据，构建输入与输出之间的拟合关系，从而达到识别不同类别图像的目的。受此启发，研究人员开始将图像识别模型应用于绝缘子缺陷识别中。值得注意的是，当前模型性能的优劣很大程度上取决于有无大量用于模型训练的数据样本。然而，当前10kv配网线路智能巡检专业在全国范围处于刚刚起步阶段，配网绝缘子缺陷图像数据往往十分稀缺，难以构建足够多的数据来训练图像识别模型。因此，在极少故障样本的条件下，现有的图像识别模型精度往往不尽人意，不能较好地识别出配网绝缘子缺陷图像。


技术实现要素：

5.本发明的目的是提供一种基于孪生网络的配网线路绝缘子缺陷识别方法、设备及介质，在极少故障样本的条件下，构建高精度的配网线路绝缘子缺陷识别模型。
6.为实现上述技术目的，本发明采用如下技术方案：
7.一种基于孪生网络的配网线路绝缘子缺陷识别方法，包括：
8.步骤1，收集正常和各种缺陷类型的绝缘子，获取每个绝缘子的两种特征图作为支持集中的1个样本；
9.步骤2，按照支持集样本的特征图类型，获取待测试绝缘子的两种特征图；
10.步骤3，对于支持集中的每个样本中的第一特征图，均使用第一孪生网络提取其第一深度特征信息，同时从待测试绝缘子的第一特征图中提取第一深度特征信息；
11.对于支持集中的每个样本中的第二特征图，均使用第二孪生网络提取其第二深度
特征信息，同时从待测试绝缘子的第二特征图中提取第二深度特征信息；
12.步骤4，根据第一深度特征信息计算支持集每类样本与待测试绝缘子之间的第一相似度，以及根据第二深度特征信息计算支持集每类样本与待测试绝缘子之间的第二相似度，最后根据两个相似度确定待测试绝缘子的缺陷类型。
13.在更优的技术方案中，第一特征图是指可见光信息图，第二特征图是指形态学信息图。
14.在更优的技术方案中，可见光信息图是指原始的可见光拍摄图像，形态学信息图是指对可见光信息图进行一系列形态学开闭运算得到的图像。
15.在更优的技术方案中，支持集中包括的绝缘子类型有：正常、破损、表面烧伤和严重污秽。
16.在更优的技术方案中，针对每种绝缘子类型，支持集均包括5个样本；支持集每类样本与待测试绝缘子之间的第一相似度，通过取该类5个样本与待测试绝缘子之间的第一相似度的均值得到；支持集每类样本与待测试绝缘子之间的第二相似度，通过取该类5个样本与待测试绝缘子之间的第二相似度的均值得到。
17.在更优的技术方案中，步骤4的具体过程包括：
18.(1)将待测试绝缘子的可见光信息图和形态学信息图分别表示为将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图分别表示为则可进一步将待测试绝缘子的第一和第二深度特征信息分别表示为以及将支持集中第i种类型的第j个样本的第一和第二深度特征信息分别表示为分别表示为然后，计算
19.(2)按照以下关系式，计算支持集第i种类型的第j个样本与待测试绝缘子之间的第一相似度ev(i,j)和第二相似度em(i,j)分别为：
[0020][0021][0022]
其中，表示与之间的欧式距离，表示与之间的欧式距离；norma{}为归一化操作，将结果归一到0到1之间；
[0023]
(3)按照以下关系式，计算支持集第i类样本与待测试绝缘子之间的第一相似度ev(i)和第二相似度em(i)分别为：
[0024]
[0025][0026]
式中，n为支持集每种类型的样本数量；
[0027]
(4)对支持集第i类样本与待测试绝缘子之间的第一相似度和第二相似度进行融合，得到支持集第i类样本与待测试绝缘子之间相似度e(i)：
[0028]
e(i)＝ev(i)+em(i)；
[0029]
(5)从支持集所有类的样本与待测试绝缘子之间的相似度计算结果{e(i)}中，选择其中最大值所对应的类型，作为待测试绝缘子的缺陷类型。
[0030]
在更优的技术方案中，第一孪生网络和第二孪生网络，均采用两个结构相同且参数共享的vgg-16模型。
[0031]
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的方法。
[0032]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
[0033]
与现有技术相比，本发明的有益效果是：在极少绝缘子缺陷样本的条件下，将待测试样本和支撑集样本输入到训练好的深度学习模型中进行相似性度量计算，评估两个输入样本间的深度特征差异，识别出待测试绝缘子的缺陷类型。因此，本发明对配网线路智能巡检具有重大的实用意义。
附图说明
[0034]
图1为基于孪生网络的配网线路绝缘子缺陷检测流程图。
[0035]
图2为支撑集样本中悬式绝缘子的四种类型部分样本的可见光信息图，其中(a)为正常类型，(b)为表面灼伤类型，(c)为破损类型，(d)为严重污秽类型。
[0036]
图3为支撑集样本中悬式绝缘子的四种类型部分样本的形态学信息图，其中(a)为正常类型，(b)为表面灼伤类型，(c)为破损类型，(d)为严重污秽类型。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行完整、清楚的描述。如图1所示，本发明各部分具体实施细节如下：
[0038]
步骤1、构建支持集样本：收集正常和各种缺陷类型的绝缘子，获取每个绝缘子的两种特征图作为支持集中的1个样本。
[0039]
本实施例中的绝缘子可以是悬式、针式或者柱式；涉及到的缺陷类型包括破损、表面烧伤和严重污秽；两个特征图中：第一特征图是指可见光信息图；第二特征图是指形态学信息图。其中的可见光信息图，即原始的可见光拍摄图像，通常具有较高的空间分辨率，可以为绝缘子缺陷识别提供丰富的图像光谱信息；形态学特征图，即对可见光信息图进行一系列形态学开闭运算(以不同大小的结构元素对输入图像的第一主成分进行处理，能提取图像目标的形状、大小、颜色等空间结构信息)得到的图像，可以为绝缘子缺陷识别提供丰富的空间结构信息。
[0040]
因此，本实施例的支持集样本中包括四种类型的样本，每种类型包括5个样本，每
个样本包括可见光信息图和形态学信息图。将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图，分别表示为
[0041]
图2给出了支撑集样本中悬式绝缘子的四种类型部分样本的可见光信息图，其中(a)为正常类型，(b)为表面灼伤类型，(c)为破损类型，(d)为严重污秽类型。
[0042]
图3给出了支撑集样本中悬式绝缘子的四种类型部分样本的形态学信息图，其中(a)为正常类型，(b)为表面灼伤类型，(c)为破损类型，(d)为严重污秽类型。
[0043]
步骤2，获取测试样本：按照支持集样本的特征图类型，获取待测试绝缘子的两种特征图，即待测试绝缘子的可见光信息图和形态学信息图，分别表示为
[0044]
步骤3，利用孪生网络提取深度特征信息：(1)对于支持集中的每个样本中的第一特征图，均使用第一孪生网络提取其第一深度特征信息，同时从待测试绝缘子的第一特征图中提取第一深度特征信息；(2)对于支持集中的每个样本中的第二特征图，均使用第二孪生网络提取其第二深度特征信息，同时从待测试绝缘子的第二特征图中提取第二深度特征信息。
[0045]
vgg-16模型是一种泛化能力较强的网络模型，因此本实施例的每个孪生网络，其包括的两个特征提取网络均采用vgg-16模型结构，且采用相同的结构并共享参数，能够较好地挖掘出图像间的深度抽象特征，并评估不同类型图片间的差异性。
[0046]
每个孪生网络的两个输入，均是支持集中某样本和待测试绝缘子的同种特征图，孪生网络中的两个特征提取网络采用相同的结构并共享参数，分别对两个输入的特征图提取深度特征信息：
[0047]
将待测试绝缘子的可见光信息图和形态学信息图分别表示为将支持集中第i种类型的第j个样本的可见光信息图和形态学信息图分别表示为则可进一步将待测试绝缘子的第一和第二深度特征信息分别表示为以及将支持集中第i种类型的第j个样本的第一和第二深度特征信息分别表示为息分别表示为
[0048]
步骤4，判断缺陷类型：根据第一深度特征信息计算支持集每类样本与待测试绝缘子之间的第一相似度，以及根据第二深度特征信息计算支持集每类样本与待测试绝缘子之间的第二相似度，最后根据两个相似度确定待测试绝缘子的缺陷类型。具体过程包括：
[0049]
首先，按照以下关系式，计算支持集第i种类型的第j个样本与待测试绝缘子之间的第一相似度ev(i,j)和第二相似度em(i,j)分别为：
[0050][0051][0052]
其中，表示与之间的欧式距离，
表示与之间的欧式距离；norma{}为归一化操作，将结果归一到0到1之间；
[0053]
然后，按照以下关系式，计算支持集第i类样本与待测试绝缘子之间的第一相似度ev(i)和第二相似度em(i)分别为：
[0054][0055][0056]
式中，n为支持集每种类型的样本数量，本实施例中n＝5；
[0057]
再后，对支持集第i类样本与待测试绝缘子之间的第一相似度和第二相似度进行融合，得到支持集第i类样本与待测试绝缘子之间相似度e(i)：
[0058]
e(i)＝ev(i)+em(i)；
[0059]
最后，从支持集所有类的样本与待测试绝缘子之间的相似度计算结果{e(i)}中，选择其中最大值所对应的类型，作为待测试绝缘子的缺陷类型。
[0060]emax
＝softmax{e(i)}；
[0061]
式中，softmax{}为计算数组间的最大值，e
max
为最大相似度的数值。
[0062]
以上实施例为本技术的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本技术总的构思的前提下，这些变换或改进都应当属于本技术要求保护的范围之内。