绝缘子污秽等级识别方法、装置、设备及介质与流程

1.本发明实施例涉及绝缘子污秽检测技术领域，尤其涉及一种绝缘子污秽等级识别方法、装置、设备及介质。


背景技术：

2.随着电网规模的扩大，绝缘子作为电力系统不可或缺的组成部分，被广泛应用于输电线路、发电厂和变电站的各个部分。由于长期工作于户外环境中，绝缘子表面不可避免的积累污秽，严重影响着电网的安全性。
3.现有技术中，采用紫外成像技术对绝缘子进行污秽等级的识别。上述方案，存在绝缘子污秽等级识别结果的准确度较低的情况。


技术实现要素：

4.本发明提供一种绝缘子污秽等级识别方法、装置、设备及介质，以提高绝缘子污秽等级识别结果的准确度。
5.根据本发明的一方面提供了一种绝缘子污秽等级识别方法，包括：
6.获取待检测绝缘子的绝缘子紫外图像；
7.对所述绝缘子紫外图像进行预处理，得到参考绝缘子图像；
8.从所述参考绝缘子图像中，提取所述待检测绝缘子的稀疏特征；
9.根据所述稀疏特征，确定所述待检测绝缘子的污秽等级。
10.根据本发明的另一方面，提供了一种绝缘子污秽等级识别装置，包括：
11.图像获取模块，用于获取待检测绝缘子的绝缘子紫外图像；
12.参考图像获取模块，用于对所述绝缘子紫外图像进行预处理，得到参考绝缘子图像；
13.稀疏特征提取模块，用于从所述参考绝缘子图像中，提取所述待检测绝缘子的稀疏特征；
14.污秽等级确定模块，用于根据所述稀疏特征，确定所述待检测绝缘子的污秽等级。
15.根据本发明的另一方面，提供了一种电子设备，包括：
16.一个或多个处理器；
17.存储器，用于存储一个或多个程序；
18.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器能够执行本发明实施例所提供的任意一种绝缘子污秽等级识别方法。
19.根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明实施例所提供的任意一种绝缘子污秽等级识别方法。
20.本发明实施例提供的一种绝缘子污秽等级识别方案，通过获取待检测绝缘子的绝缘子紫外图像；对绝缘子紫外图像进行预处理，得到参考绝缘子图像；从参考绝缘子图像
中，提取待检测绝缘子的稀疏特征；根据稀疏特征，确定待检测绝缘子的污秽等级。上述方案，通过根据待检测绝缘子的稀疏特征，确定待检测绝缘子的污秽等级，避免了资源的过度使用，提高了确定污秽等级的效率，并提高了绝缘子污秽等级识别结果的准确度。
21.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
22.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1是本发明实施例一提供的一种绝缘子污秽等级识别方法的流程图；
24.图2是本发明实施例二提供的一种绝缘子污秽等级识别方法的流程图；
25.图3是本发明实施例三提供的一种绝缘子污秽等级识别装置的结构示意图；
26.图4是本发明实施例四提供的一种实现绝缘子污秽等级识别方法的电子设备的结构示意图。
具体实施方式
27.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
28.实施例一
29.图1是本发明实施例一提供的一种绝缘子污秽等级识别方法的流程图，本实施例可适用于对绝缘子的污秽等级进行识别的情况，该方法可以由绝缘子污秽等级识别装置来执行，该装置可采用软件和/或硬件的方式实现，并可配置于承载绝缘子污秽等级识别功能的电子设备中。
30.参见图1所示的绝缘子污秽等级识别方法，包括：
31.s110、获取待检测绝缘子的绝缘子紫外图像。
32.其中，待检测绝缘子是指需要进行污秽等级识别的绝缘子。本发明实施例对待检测绝缘子的型号不作具体限定，可以是技术人员根据经验进行设置。示例性的，待检测绝缘子可以是电力系统中使用的xp-70型盘式悬浮陶瓷绝缘子。
33.其中，绝缘子紫外图像是指包括待检测绝缘子的图像。本发明实施例对获取绝缘子紫外图像的方式不作任何限定，可以是技术人员根据经验进行设置。示例性的，可以通过紫外线成像仪获取绝缘子紫外图像。
34.具体的，获取待检测绝缘子的绝缘子紫外图像。
35.s120、对绝缘子紫外图像进行预处理，得到参考绝缘子图像。
36.其中，参考绝缘子图像是指经过预处理后的绝缘子紫外图像。
37.本发明实施例对预处理的方式不作具体限定，可以是技术人员根据经验进行设置。示例性的，预处理方式可以包括灰度化处理、二值化处理和归一化处理等中的至少一
种。
38.具体的，进行灰度化处理是指将绝缘子紫外图像由彩色转换为灰度。其中，0表示黑色，255表示白色。
39.进一步的，对经过灰度化处理的绝缘子紫外图像，进行二值化处理，将绝缘子紫外图像中除白色像素外的所有区域设置为黑色，将绝缘子紫外图像由灰度图像转换为二值图像。
40.进一步的，对经过灰度化和二值化处理后的绝缘子紫外图像，进行归一化处理。具体的，将每张绝缘子紫外图像中的光点的面积归一化至[0,1]区间内。其中，光点是指绝缘子紫外图像中的放电区域显示成的白光斑。光点的面积是指白光斑的像素数。根据光点的面积，可得到放电强度。
[0041]
举例说明，可以采用以下公式，进行归一化处理：
[0042][0043]
其中，表示第i张绝缘子紫外图像归一化后的数据值；xi表示第i张绝缘子紫外图像中光点的面积；x
min
表示第i张绝缘子紫外图像中光点面积的最小值；x
max
表示第i张绝缘子紫外图像中光点面积的最大值。
[0044]
需要说明的是，进行归一化处理的好处是，将绝缘子紫外图像中任一元素的元素值限制在[0,1]内，避免元素值过大或过小，对绝缘子污秽等级识别的影响。
[0045]
具体的，对绝缘子紫外图像进行预处理，得到参考绝缘子图像。举例说明，得到的参考绝缘子图像中光点区域为白色，背景区域为黑色。
[0046]
s130、从参考绝缘子图像中，提取待检测绝缘子的稀疏特征。
[0047]
其中，稀疏特征可以是指参考绝缘子图像中，所包括的待检测绝缘子的关键特征。具体的，稀疏特征可以用最少的特征表征待检测绝缘子。
[0048]
本发明实施例对提取稀疏特征的方式不作任何限定，可以是技术人员根据经验进行设置。
[0049]
具体的，从参考绝缘子图像中，提取出能够表征待检测绝缘子的稀疏特征。
[0050]
s140、根据稀疏特征，确定待检测绝缘子的污秽等级。
[0051]
其中，污秽等级可以用于量化待检测绝缘子的污秽程度。本发明实施例对污秽等级的数量和/或划分方式不作任何限定，可以是技术人员根据经验进行设置。示例性的，可以根据等效盐沉积密度(esdd)和不溶性沉积物密度(nsdd)将污秽等级划分为四个等级。具体的，一级污染为不溶性沉积物密度为1mg/cm2，等效盐沉积密度为[0.03mg/cm2,0.06mg/cm2)内；二级污染为不溶性沉积物密度为1mg/cm2，等效盐沉积密度为[0.06mg/cm2,0.1mg/cm2)内；三级污染为不溶性沉积物密度为1mg/cm2，等效盐沉积密度为[0.1mg/cm2,0.25mg/cm2)内；四级污染为不溶性沉积物密度为1mg/cm2，等效盐沉积密度为[0.25mg/cm2,0.35mg/cm2)内。需要说明的是，污秽程度随着污秽等级的升高而严重。
[0052]
具体的，可以通过预先设置的绝缘子污秽等级，根据稀疏特征，将与待检测绝缘子的污秽程度最接近的污秽等级，确定为待检测绝缘子的污秽等级。
[0053]
本发明实施例提供的一种绝缘子污秽等级识别方案，通过获取待检测绝缘子的绝
缘子紫外图像；对绝缘子紫外图像进行预处理，得到参考绝缘子图像；从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；根据稀疏特征，确定待检测绝缘子的污秽等级。上述方案，通过根据待检测绝缘子的稀疏特征，确定待检测绝缘子的污秽等级，避免了资源的过度使用，提高了确定污秽等级的效率，并提高了绝缘子污秽等级识别结果的准确度。
[0054]
实施例二
[0055]
图2是本发明实施例二提供的一种绝缘子污秽等级识别方法的流程图，本实施例在上述各实施例的基础上，进一步的，将“从参考绝缘子图像中，提取待检测绝缘子的稀疏特征”操作，细化为“通过预先训练好的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；其中，稀疏特征提取网络基于样本绝缘子的参考样本图像训练得到”，以完善稀疏特征的提取机制。需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。
[0056]
参见图2所示的绝缘子污秽等级识别方法，包括：
[0057]
s210、获取待检测绝缘子的绝缘子紫外图像。
[0058]
s220、对绝缘子紫外图像进行预处理，得到参考绝缘子图像。
[0059]
s230、通过预先训练好的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；其中，稀疏特征提取网络基于样本绝缘子的参考样本图像训练得到。
[0060]
其中，稀疏特征提取网络可以用于提取待检测绝缘子的稀疏特征。参考样本图像是指经过预处理后的样本绝缘子紫外图像。具体的，参考样本图像通过对不同湿度条件下，采集到的样本绝缘子紫外图像进行预处理得到。
[0061]
可以理解的是，通过引入不同湿度条件，提高了参考样本图像选取范围的广泛性，提高了参考样本图像的丰富性；同时，对样本绝缘子紫外图像进行预处理，得到参考样本图像，可以避免奇异数据对后续训练的影响，加快稀疏特征提取网络在训练过程中的收敛速度。
[0062]
其中，样本绝缘子紫外图像是指包含样本绝缘子的图像。本发明实施例对获取样本绝缘子紫外图像的方式不作任何限定，可以是从图像数据库中已知污秽等级的样本绝缘子紫外图像中进行选取，还可以是在不同湿度条件下，采集到的样本绝缘子的图像。其中，样本绝缘子是指已知污秽等级的绝缘子。示例性的，样本绝缘子可以是根据预先设置的污秽等级，人工进行污染得到。举例说明，人工污染的过程是：清洗样本绝缘子，除去样本绝缘子表面原有污秽；制作污秽材料，用氯化钠(nacl)模拟污秽物中的导电物质，用高岭土模拟污秽物中的不溶物质；使用固体涂层法，对绝缘子表面进行均匀涂层。
[0063]
延续前例，样本绝缘子的结构包括帽、瓷器和针，由于针与瓷器连接处的面积小，导致电流密度大，发热效果明显。而且，加热集中在底部引脚周围的区域，污染层中的水分被蒸发，从而增强了该区域局部电场的强度，提高了电晕放电极的发生概率。因此，通过对样本绝缘子瓷器下表面进行紫外成像，以获得样本绝缘子紫外图像。
[0064]
本发明实施例对不同湿度条件不作任何限定，可以是技术人员根据经验进行设置。具体的，当相对湿度低于75％时，样本绝缘子表面的可溶性盐没有得到充分溶解，导致泄漏电流较小，放电现象不明显。而当环境湿度大于90％时，样本绝缘子表面放电现象加剧，形成可见的电弧。需要说明的是，强烈的放电现象易使紫外成像饱和，导致在高湿度条件下获取的样本绝缘子紫外图像不适合后续的处理和识别。因此，所选取的样本绝缘子紫
外图像的湿度条件可以为相对湿度为80％、85％和90％，且相对湿度允许公差为
±
2％。
[0065]
举例说明，若预先设置的绝缘子污秽等级包括一级污染、二级污染、三级污染和四级污染；分别选取不同湿度条件下，四个污秽等级的样本绝缘子紫外图像。具体的，在样本绝缘子上施加该样本绝缘子的额定工作电压，使用紫外线成像仪和录像机，紫外拍摄距离为预设距离(如4m)，获取样本绝缘子的紫外图像。其中，额定工作电压与样本绝缘子的种类有关，如xp-70型样本绝缘子的额定工作电压为10kv。本发明实施例对紫外线成像仪和录像机的型号和/或种类不作任何限定，可以是技术人员根据经验进行选取。如紫外线成像仪型号为corocam-504，录像机使用索尼vdr-mc3。
[0066]
其中，稀疏特征提取网络是由三层前馈神经网络组成，核心思想是利用重构样本图像与参考样本图像之间的近似优化条件进行训练。具体的，稀疏特征提取网络包括隐含层和重构层；相应的，采用以下方式对稀疏特征提取网络进行训练：将参考样本图像输入至隐含层，得到参考样本特征；将参考样本特征输入至重构层，得到参考样本图像的重构样本图像；根据参考样本图像和重构样本图像，对稀疏特征提取网络进行训练。
[0067]
示例性的，可以通过以下公式，得到参考样本特征：
[0068][0069]
其中，x表示参考样本特征；f()表示激活函数；w1表示从输入层到隐含层的权值；b1表示从输入层到隐含层的偏差；x表示参考样本图像。其中，参考样本图像(n1为输入层的节点数)，参考样本特征(n2为隐含层节点数)。
[0070]
示例性的，可以通过以下公式，得到重构样本图像：
[0071]
z＝f(w2x+b2)；
[0072]
其中，z表示重构样本图像；w2表示从隐含层到重构层的权值；b2表示从隐含层到重构层的偏差。
[0073]
在根据参考样本图像和重构样本图像对稀疏特征提取网络进行训练时，为了避免稀疏特征提取网络的过拟合，引入稀疏约束条件。具体的，在调整稀疏特征提取网络的网络参数时，根据稀疏约束条件，控制参考样本图像中任一非零元素的元素值，接近预设参数值。其中，稀疏约束条件用于避免训练过度。其中，网络参数是指稀疏特征提取网络在训练的过程中需要进行调整的参数。具体的，网络参数包括：从输入层到隐含层的权值、从输入层到隐含层的偏差、从隐含层到重构层的权值和从隐含层到重构层的偏差。
[0074]
本发明实施例对预设参数值的大小不作任何限定，可以是技术人员根据经验进行设置，还可以是通过大量试验确定。
[0075]
示例性的，稀疏约束条件可以通过以下公式进行表示：
[0076][0077]
其中，h表示参考样本图像中元素的个数；ρi表示h个元素中第j个非零元素的元素值；ρ为可设置的超参数；k表示变量，k＝1,2,3,
…
,h；xj表示隐含层中第j个非零元素的输出数值。
[0078]
可以理解的时，通过引入稀疏约束条件，可以避免在稀疏特征提取网络进行训练
时，出现过拟合的情况，提高稀疏特征提取网络训练的准确度。
[0079]
示例性的，可以通过以下公式，确定稀疏特征提取网络的损失函数：
[0080][0081][0082]
其中，n表示参考样本图像的个数；表示正则项；表示稀疏惩罚项的和；λ为表示则项的权重系数；μ表示稀疏惩罚项的权重系数；j()表示损失函数；z(k)表示第k个参考样本图像的重构样本图像；x(k)为第k个参考样本图像；kl(ρρi)表示稀疏惩罚项。
[0083]
进一步的，通过迭代算法，对网络参数进行更新优化，直到算法收敛，得到训练后的稀疏特征提取网络。示例性的，可以通过以下公式，确定稀疏特征提取网络的训练结果：
[0084][0085][0086][0087][0088]
其中，表示求偏导的数学符号；wk表示第k个参考样本图像的权值；w表示权值；b表示偏差；bk为第k个参考样本图像的偏差；α表示学习率。
[0089]
需要说明的是，本发明实施例中的稀疏特征提取网络可以包括至少一个稀疏特征提取网络，即本发明实施例中的稀疏特征提取网络可以为一个多层稀疏特征提取网络。稀疏特征提取网络中的每个隐含层可以从上一层学习更多的抽象特征，以获得高维特征信息。
[0090]
需要说明的是，多层稀疏特征提取网络中各层的训练过程，与单层稀疏特征提取网络相同，即使每一个单层稀疏特征提取网络的损失函数最小化，同时得到最优的权值和偏差，使得多层稀疏特征提取网络的训练准确度提高。
[0091]
可以理解的是，通过对稀疏特征提取网络进行训练，提高稀疏特征提取网络进行特征提取的准确度。
[0092]
s240、根据稀疏特征，确定待检测绝缘子的污秽等级。
[0093]
在一个可选实施例中，根据稀疏特征，确定待检测绝缘子的污秽等级，包括：将稀疏特征输入至预先训练好的污秽等级识别网络中，得到待检测绝缘子的污秽等级；其中，污
秽等级识别网络基于样本绝缘子的样本稀疏特征训练得到。
[0094]
其中，污秽等级识别网络可以用于根据待检测绝缘子的稀疏特征，确定待检测绝缘子的污秽等级。本发明实施例对污秽等级识别网络的结构不作任何限定，可以是技术人员根据经验进行设置。示例性的，污秽等级识别网络可以是由至少一个受限玻尔兹曼机组成的多层感知器神经网络。本发明实施例中的污秽等级识别网络可以由三个受限玻尔兹曼机组成，污秽等级识别网络的核心思想是逐层学习。具体的，通过上层的受限玻尔兹曼机，将输入数据的输出结果作为下一层受限玻尔兹曼机的输入，以生成更抽象的特征。然后，通过增加分类器和有监督的反向微调，优化污秽等级识别网络的污秽识别能力。
[0095]
具体的，污秽等级识别网络的训练过程可以分为两个部分，一部分是向前学习，一部分是向后微调。其中，向前学习的过程是：受限玻尔兹曼机使用基于能量的模型，每一层都有一定数量的神经元，每个神经元只有激活和非激活两种状态，用{1,0}表示。设受限玻尔兹曼机的可见层有n个元素，其状态表示为v＝(v1,v2,
…
,vn)；隐层有m个元素，其状态表示为h＝(h1,h2,
…
,hm)。示例性的，可以根据以下公式，确定受限玻尔兹曼机的能量函数：
[0096][0097]
其中，n为受限波尔兹曼机的可见层元素个数，状态表示为v＝(v1,v2,
…
,vn)；m为受限波尔兹曼机的隐含层的元素个数，状态表示为h＝(h1,h2,
…
,hm)；vi表示可见层第i个元素的状态；hj表示隐含层第j个元素的状态；θ＝(w
ij
,ai,bj)为训练受限波尔兹曼机的参考数值；wij为可见层第i个神经元与隐含层第j个神经元之间的连接权值；ai为可见层第i个元素的偏移值；bj隐含层第j个元素的偏移值；e(v,h；θ)为受限玻尔兹曼机的能量函数。
[0098]
示例性的，根据受限玻尔兹曼机的能量函数，通过以下公式，确定可见层和隐含层的联合概率分布：
[0099][0100]
其中，p(v,h；θ)表示可见层和隐含层的联合概率分布；z(θ)表示归一化因子。
[0101]
示例性的，可以通过以下公式，分别确定可见层的条件概率和隐含层的条件概率：
[0102][0103][0104]
其中，p(v|h；θ)表示可见层的条件概率；p(h；θ)表示可见层的概率；πi表示乘积符号，i表示变量，i＝1,2,
…
,n；p(vi|h；θ)表示第i个元素的可见层的条件概率；p(h|v；θ)表示隐含层的条件概率；p(v；θ)表示隐含层的概率；πj表示乘积符号，j表示变量，j＝1,2,
…
,m；p(hj|v；θ)表示第j个元素的隐含层的条件概率。
[0105]
本发明实施例中由于同一层的独立元素之间没有联系，激活概率可表示为：
[0106][0107][0108]
其中，p(vi＝1|h；θ)表示vi为1时，可见层的激活概率；p(hi＝1|v；θ)表示hi为1时，隐含层的激活概率。
[0109]
本发明实施例中的参数θ可通过对数似然函数的最大值得到，即：
[0110]
l(θ；v)＝πvl(θ|v)＝πvp(v)；
[0111]
其中，l(θ；v)为最大似然函数；l(θ|v)为单个样本稀疏特征的最大化似然函数；p(v)表示边缘分布；πv表示乘积符号，v＝(v1，v2，
…
vn)。
[0112]
其中，向后微调的过程是：将向前学习的污秽等级识别网络中的参数作为向后微调方式的初始值，通过反向监督微调学习，进一步改善整个污秽等级识别网络的训练结果。微调过程从污秽等级识别网络的最后一层开始，使用已知的标签逐步将参数微调到较高的层。污秽等级识别网络的最后一层使用soft-max(归一化指数函数)多类别逻辑回归模型作为分类器模型。示例性的，若污秽等级识别网络由受限玻尔兹曼机堆栈的l层组成，可以通过以下公式，确定污秽等级识别网络的第l层的输出向量：
[0113][0114]
其中，x’表示样本稀疏特征；u
l
(x')表示污秽等级识别网络第l层的输出向量；a
l
表示污秽等级识别网络第l层的偏移值；w
l
表示污秽等级识别网络第l层的权重值；u
l+1
表示污秽等级识别网络第l+1层的输出向量。
[0115]
进一步的，通过受限玻尔兹曼机堆栈的l层后，第i个稀疏样本特征属于污秽等级yi∈(1,2,
…
,c)的概率为：
[0116][0117]
其中，x'i表示第i个样本稀疏特征；v
l
表示参数系数，用于soft-max分类器确定污秽等级；yi表示第i个样本稀疏特征的污秽等级；r表示污秽等级r＝1,2,
…
c；c
l
表示soft-max分类器的偏置系数；表示污秽等级为r时，soft-max分类器的参数系数；c表示所有污秽等级的数量。
[0118]
进一步的，污秽等级识别网络的第l层损失函数的表达式为：
[0119]
[0120]
其中，ρ表示权重衰减率；1{yi＝k}表示逻辑指示函数，当yi＝r时，取值为1，否则为0；j表示损失函数。
[0121]
进一步的，污秽等级识别网络的微调参数为：
[0122][0123]
其中，ε
λ
表示学习率；表示λ
l
微调后的值。
[0124]
可以理解的是，通过引入训练好的污秽等级识别网络，对待检测绝缘子的污秽等级进行确定，提高了污秽等级确定结果的准确度。
[0125]
本发明实施例提供的一种绝缘子污秽等级识别方案，通过将从参考绝缘子图像中，提取待检测绝缘子的稀疏特征，细化为通过预先训练好的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；其中，稀疏特征提取网络基于样本绝缘子的参考样本图像训练得到，以完善稀疏特征的提取机制。上述方案，通过使用训练好的稀疏特征提取网络，提取待检测绝缘子的稀疏特征，提高了提取的稀疏特征的准确度，以及提高了稀疏特征提取的效率。
[0126]
在上述实施例的基础上，本发明实施例还提供了一种污秽等级识别模型。具体的，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征，包括：通过预先训练好的污秽等级识别模型中的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；相应的，根据稀疏特征，确定待检测绝缘子的污秽等级，包括：将稀疏特征输入至污秽等级识别模型中的污秽等级识别网络中，得到待检测绝缘子的污秽等级；其中，污秽等级识别模型基于样本绝缘子的参考样本图像训练得到。
[0127]
其中，污秽等级识别模型可以用于提取待检测绝缘子的稀疏特征，并根据稀疏特征，确定待检测绝缘子的污秽等级。本发明实施例对污秽等级识别模型的结构不作具体限定，可以是技术人员根据经验进行设置。示例性的，本发明实施例中的污秽等级识别模型可以由两层稀疏特征提取网络，以及包括三层受限玻尔兹曼机和soft-max(归一化指数函数)多类别逻辑回归模型的污秽等级识别网络构成。使用两层稀疏特征提取网络的好处是，提高稀疏特征提取的有效性，并降低了提取的复杂性。
[0128]
本发明实施例中的污秽等级识别模型的训练过程可以分为三部分，第一部分为稀疏特征提取网络的初始化，即随机初始化稀疏特征提取网络各层的连接权值和偏置系数，设置学习率和网络参数；第二部分为稀疏特征提取，即训练两层稀疏特征提取网络，使重构误差最小化，并使用最后一层隐含层的输出作为提取的样本稀疏特征；第三部分为污秽等级识别网络的污秽等级识别，即在不同湿度条件下(如相对湿度为80％、85％和90％)，利用样本稀疏特征训练污秽等级识别网络，以获得训练好的污秽等级识别模型。
[0129]
本发明实施例中，在获取样本绝缘子的样本绝缘子紫外图像时，可以将获取到的样本绝缘子紫外图像，按照预设比例，划分为训练集和测试集。其中，训练集中的样本绝缘子紫外图像可以用于对污秽等级识别模型进行训练。测试集中的样本绝缘子紫外图像可以用于对所训练的污秽等级识别模型进行模型评价，确定是否停止进行本阶段的模型训练。
[0130]
本发明实施例中，为了对训练后的污秽等级识别模型进行性能测试，采用准确度
作为评价指标，通过以下公式，确定识别结果的准确度：
[0131][0132]
其中，nd表示污秽等级识别正确的样本绝缘子紫外图像；n
sum
表示样本绝缘子紫外图像的总数；d＝1、2、3分别代表80％、85％、90％的相对湿度；pd表示准确度。
[0133]
可以理解的是，通过引入污秽等级识别模型，进行绝缘子污秽等级识别，提高了绝缘子污秽等级识别的准确度，同时提高了绝缘子污秽等级识别的可靠性。
[0134]
实施例三
[0135]
图3是本发明实施例三提供的一种绝缘子污秽等级识别装置的结构示意图，本实施例可适用于对绝缘子的污秽等级进行识别的情况，该方法可以由绝缘子污秽等级识别装置来执行，该装置可采用软件和/或硬件的方式实现，并可配置于承载绝缘子污秽等级识别功能的电子设备中。
[0136]
如图3所示，该装置包括：图像获取模块310、参考图像获取模块320、稀疏特征提取模块330和污秽等级确定模块340。其中，
[0137]
图像获取模块310，用于获取待检测绝缘子的绝缘子紫外图像；
[0138]
参考图像获取模块320，用于对绝缘子紫外图像进行预处理，得到参考绝缘子图像；
[0139]
稀疏特征提取模块330，用于从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；
[0140]
污秽等级确定模块340，用于根据稀疏特征，确定待检测绝缘子的污秽等级。
[0141]
本发明实施例提供的一种绝缘子污秽等级识别方案，通过图像获取模块获取待检测绝缘子的绝缘子紫外图像；通过参考图像获取模块对绝缘子紫外图像进行预处理，得到参考绝缘子图像；通过稀疏特征提取模块从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；通过污秽等级确定模块根据稀疏特征，确定待检测绝缘子的污秽等级。上述方案，通过根据待检测绝缘子的稀疏特征，确定待检测绝缘子的污秽等级，避免了资源的过度使用，提高了确定污秽等级的效率，并提高了绝缘子污秽等级识别结果的准确度。
[0142]
可选的，稀疏特征提取模块330，包括：
[0143]
第一稀释特征提取单元，用于通过预先训练好的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；
[0144]
其中，稀疏特征提取网络基于样本绝缘子的参考样本图像训练得到。
[0145]
可选的，稀疏特征提取网络包括隐含层和重构层；相应的，该装置还包括稀疏特征提取网络训练单元，稀疏特征提取网络训练单元包括：
[0146]
参考样本特征确定子单元，用于将参考样本图像输入至隐含层，得到参考样本特征；
[0147]
重构样本图像确定子单元，用于将参考样本特征输入至所述重构层，得到参考样本图像的重构样本图像；
[0148]
训练子单元，用于根据参考样本图像和所述重构样本图像，对稀疏特征提取网络进行训练。
[0149]
可选的，该装置还包括：
[0150]
元素值控制单元，用于在调整稀疏特征提取网络的网络参数时，根据稀疏约束条件，控制参考样本图像中任一非零元素的元素值，接近预设参数值。
[0151]
可选的，参考样本图像通过对不同湿度条件下，采集到的样本绝缘子紫外图像进行预处理得到。
[0152]
可选的，污秽等级确定模块340，包括：
[0153]
第一污秽等级确定单元，用于将稀疏特征输入至预先训练好的污秽等级识别网络中，得到待检测绝缘子的污秽等级；
[0154]
其中，污秽等级识别网络基于样本绝缘子的样本稀疏特征训练得到。
[0155]
可选的，稀疏特征提取模块330，包括：
[0156]
第一稀疏特征提取单元，用于通过预先训练好的污秽等级识别模型中的稀疏特征提取网络，从参考绝缘子图像中，提取待检测绝缘子的稀疏特征；
[0157]
相应的，污秽等级确定模块340，包括：
[0158]
第二污秽等级确定单元，用于将稀疏特征输入至污秽等级识别模型中的污秽等级识别网络中，得到待检测绝缘子的污秽等级；
[0159]
其中，污秽等级识别模型基于样本绝缘子的参考样本图像训练得到。
[0160]
本发明实施例所提供的绝缘子污秽等级识别装置，可执行本发明任意实施例所提供的绝缘子污秽等级识别方法，具备执行各绝缘子污秽等级识别方法相应的功能模块和有益效果。
[0161]
本发明的技术方案中，所涉及的绝缘子紫外图像和样本绝缘子紫外图像等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0162]
实施例四
[0163]
图4是本发明实施例四提供的一种实现绝缘子污秽等级识别方法的电子设备的结构示意图。电子设备410旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0164]
如图4所示，电子设备410包括至少一个处理器411，以及与至少一个处理器411通信连接的存储器，如只读存储器(rom)412、随机访问存储器(ram)413等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器411可以根据存储在只读存储器(rom)412中的计算机程序或者从存储单元418加载到随机访问存储器(ram)413中的计算机程序，来执行各种适当的动作和处理。在ram 413中，还可存储电子设备410操作所需的各种程序和数据。处理器411、rom 412以及ram 413通过总线414彼此相连。输入/输出(i/o)接口415也连接至总线414。
[0165]
电子设备410中的多个部件连接至i/o接口415，包括：输入单元416，例如键盘、鼠标等；输出单元417，例如各种类型的显示器、扬声器等；存储单元418，例如磁盘、光盘等；以及通信单元419，例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0166]
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理，例如绝缘子污秽等级识别方法。
[0167]
在一些实施例中，绝缘子污秽等级识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元418。在一些实施例中，计算机程序的部分或者全部可以经由rom 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到ram 413并由处理器411执行时，可以执行上文描述的绝缘子污秽等级识别方法的一个或多个步骤。备选地，在其他实施例中，处理器411可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行绝缘子污秽等级识别方法。
[0168]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0169]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0170]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0171]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0172]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据
服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0173]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0174]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0175]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。