一种基于冗余信息解耦的电网缺陷设备识别算法

本发明属于计算机视觉、信息检索领域，特别涉及一种基于冗余信息解耦的电网缺陷设备识别算法。

背景技术：

1、电力系统是由发电厂、送变电线路网、供配电网和电力用户网等环节组成的电能生产与消费系统整体，它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户，从而完成电能生产传输和使用的整个过程。保证传输的可靠性和稳定性无论对国家安全还是日常生活都具有重要意义。因此需要对电网设备的可靠性进行检测，以保证整个电线网路的稳定性。

2、我国的电网规模宏大，且电网设备多分布在荒郊野外，地形复杂。由于常年暴露于自然环境中，电网设备要遭受暴晒、狂风、暴雨以及冰雪等自然原因的侵袭，承受电击、自然雷击等高电压影响，以及设备本身内外应力疲劳损伤和寿命年限的限制。而绝缘子的破损和掉串、导线的断裂、异物的飘挂等都有可能会造成电力故障，导致大面积的电力瘫痪。

3、因此在日常的电力巡检过程中，电网缺陷设备的快速定位有助于须迅速查找故障点，分析故障原因，为后续的电力检修和维护提供了重要参考。但同时这就对巡检图像易故障配件定位的准确性和及时性有着很高的要求。

4、传统的巡检模式为人工巡检，但是由于电力输送网络大都处于复杂的山地深林地形，导致该巡检模式的劳动强度大、代价高，且巡视结果受到人员技能以及天气、地形、光照等自然条件的影响较大。针对一些人工巡检难以到达的输电线路，无人机巡检是一种比较有效的方式，可以对输电线路的巡检过程进行优化，对现有制度中的缺陷进行填补。输电线路的无人机巡检主要是为了能够拍摄输电线路故障易发配件，及时发现输电线路缺陷和故障，排除安全隐患。有效的解决人工巡检的困难，提高巡检的效率、质量和效益。

技术实现思路

1、针对上述现有技术存在的问题，本发明的目的在于提供了一种基于冗余信息解耦的电网缺陷设备识别算法，通过对输电线路航拍图像的有效识别，提高了后续的维修效率并节约维修成本，相对人工目视检测，具有可靠、高效、准确等优势，大大降低了劳动成本。

2、为了实现上述技术效果，本发明采用了如下技术方案：

3、一种基于冗余信息解耦的电网缺陷设备识别算法，包括以下步骤：

4、s1、获得航拍输电线路图像，制作数据集；

5、s2、构建深度学习模型，将数据集输入构建的深度学习模型进行训练；

6、所述构建的深度学习模型由特征提取器、冗余信息解耦模块、特征投影器和分类器组成，其中，所述特征提取器用于对输入的数据进行特征提取；所述冗余信息解耦模块用于对提取到的特征进行冗余信息解耦，区分出具备判别性的特征和不具备判别性的特征，并只将具备判别性的特征用于后续的识别任务；所述特征投影器和分类器用于对得到的特征进行分类识别，从而实现对电网缺陷设备的识别。

7、优选地，所述航拍输电线路图像在制作数据集之前，需要对所述航拍输电线路图像的像素大小进行尺寸放缩，限制图像长边不超过1000，短边不超过600，图像的通道数转换为3通道的彩色图像，制作数据集。

8、优选地，所述特征提取过程中，采用在imagenet上预训练的resnet50作为特征提取器对输入数据进行特征提取吗，通过将输入数据x输入到resnet50中，该网络将对图像进行多层次的卷积和池化操作，逐渐提取出图像的抽象特征。这些特征不仅包含了底层的边缘和纹理信息，还包含了更高层次的语义信息，例如对象的形状、结构和空间关系。

9、优选地，所述对提取的特征进行解耦过程中，通过提取和强化与设备缺陷类别直接相关的特征，将其与背景信息解耦，使得模型能够更加准确地判断和定位缺陷；通过解耦方法处理后的图像，仅保留了与设备缺陷相关的信息，同时消除了复杂背景干扰，使得模型能够更加专注且准确地识别缺陷，所获得的两部分分别为具有人物判别性的特征和不具有人物判别性的特征。

10、优选地，所述步骤s2中，将特征提取器e提取到的特征f解耦成两部分：具有人物判别性的特征fu和不具有人物判别性的特征fn，具体表示如下：

11、f＝fu+fn

12、为了确保fu与fn被尽可能地分离开，本发明采用lossper使得这二者在表征空间趋于正交，lossper的公式如下：

13、lossper＝|cos(fu-fn)|

14、其中，cos代表cosine距离，|·|代表绝对值，通过lossper的不断约束，达到让fu与fn之间的cosine距离逐渐趋于零的目的，两部分特征的特征分布趋于正交，也就说明fu与fn被解耦；

15、采用一个新的函数lossinv来约束，函数lossinv的定义如下：

16、

17、其中，n为一个ibatch中的类别个数，m表示同一类别下的样本个数，和表示同一类别下所有样本特征中具备判别性的特征，代表二范数。

18、优选地，所述步骤s2中，所述特征投影器和分类器用于对得到的特征进行分类识别，采用了一个由双层linear构成的特征投影器，用于将具备判别性的特征fu映射为投影特征υ：

19、υ＝p(fu)

20、然后引入一个分类器，对投影特征υ进行分类，得到预测标签pred：

21、pred＝c(υ)

22、为了评估模型的准确性，本发明将预测标签pred与真实标签l进行比较，并使用交叉熵损失函数对它们之间的差异进行计算，公式如下：

23、lossce＝-∑l×log(pred)

24、从而得到模型整体的损失函数loss写为：

25、loss＝lossd+lossce通过多次训练迭代，模型能够在损失函数的优化下不断更新自身。在每次迭代中，模型通过反向传播算法根据损失函数的梯度信息调整参数，以最小化预测标签与真实标签之间的差异。

26、本发明具备如下有益效果：

27、(1)考虑到采集到的缺陷数据即使表达同一类别的缺陷设备，但缺陷设备所处的位置和背景并不同，这大大增加了识别的难度，基于此，本发明提供了一种基于冗余信息解耦的电网缺陷设备识别算法，通过将上述这些不利于识别任务进行的冗余信息分离出去，只保留具备缺陷设备判别性的特征，从而实现更加有效的识别，通过将数据特征中具备判别性的部分分离出来，加强了模型对不同电网缺陷设备类别的区分，从而提升识别的准确性。

28、(2)本发明融合了解耦学习和深度学习算法的优点，通过利用解耦学习的优点，将数据集中的冗余信息分离出来，仅保留具备判别性的特征，大大加快了模型的整体速度，提升了电力设备缺陷目标的识别准确性，解决了人工检测电网元件及缺陷的方式存在速度较低、精确度有限的问题。另外，本发明对多种不同的电力设备缺陷异常均有较好的识别效果，能够在实际应用中有效地代替人工识别异常缺陷的过程，极大地减少人力物力的消耗。

技术特征：

1.一种基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，在输入模型之前，将所述航拍输电线路的图像数据的像素大小进行尺寸放缩，限制图像长边不超过1000，短边不超过600，图像的通道数转换为3通道的彩色图像，制作数据集。

3.根据权利要求1所述的基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，步骤s2中，所述特征提取过程中，采用在imagenet上预训练的resnet50作为特征提取器对输入数据进行特征提取吗，通过将输入数据输入到resnet50中，该网络将对图像进行多层次的卷积和池化操作，逐渐提取出图像的抽象特征。

4.根据权利要求3所述的基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，所述提取出图像的抽象特征包括底层的边缘、纹理信息以及语义信息。

5.根据权利要求1所述的基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，步骤s2中，所述对提取的特征进行冗余信息解耦过程中，通过提取和强化与设备缺陷类别直接相关的特征，将其与背景信息解耦，使得模型能够更加准确地判断和定位缺陷；通过解耦方法处理后的图像，仅保留了与设备缺陷相关的信息，同时消除了复杂背景干扰，使得模型能够更加专注且准确地识别缺陷，所获得提取的特征两部分分别为具有人物判别性的特征和不具有人物判别性的特征。

6.根据权利要求1所述的基于冗余信息解藕的电网缺陷设备识别算法，其特征在于，步骤s2中，将特征提取器e提取到的特征f解耦成两部分：具有人物判别性的特征fu和不具有人物判别性的特征fn，具体表示如下：

7.根据权利要求1所述的基于冗余信息解耦的电网缺陷设备识别算法，其特征在于，步骤s2中，所述特征投影器和分类器用于对得到的特征进行分类识别，采用了一个由双层linear构成的特征投影器，用于将具备判别性的特征fu映射为投影特征υ：

技术总结
本发明公开了一种基于冗余信息解耦的电网缺陷设备识别算法，包括以下步骤：获得航拍输电线路图像，制作数据集；构建深度学习模型，将数据集输入深度学习模型，实现对电网缺陷设备识别；深度学习模型由特征提取器、冗余信息解耦模块、特征投影器和分类器组成，特征提取器用于对输入的数据进行特征提取；冗余信息解耦模块用于对提取到的特征进行冗余信息解耦，区分出具备判别性的特征和不具备判别性的特征，并只将具备判别性的特征用于后续的识别任务；特征投影器和分类器用于对得到的特征进行分类识别。本发明利用解耦学习将数据集中的冗余信息分离出来，仅保留具备判别性的特征，加快了模型的速度，提升了电力设备缺陷目标的识别准确性。

技术研发人员：杨阳,尚小纯,欧枫,李北辰,郎玥,何元,尹宾宾,翟文广,侯广琦,李美烨,魏月
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/1/15