CN114842295A - 绝缘子故障检测模型的获得方法、装置及电子设备 - Google Patents

绝缘子故障检测模型的获得方法、装置及电子设备 Download PDF

Info

Publication number
CN114842295A
CN114842295A CN202210476401.9A CN202210476401A CN114842295A CN 114842295 A CN114842295 A CN 114842295A CN 202210476401 A CN202210476401 A CN 202210476401A CN 114842295 A CN114842295 A CN 114842295A
Authority
CN
China
Prior art keywords
insulator
image
fault detection
detection model
obtaining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210476401.9A
Other languages
English (en)
Inventor
单翀皞
戚广枫
李伊彤
徐鸿燕
刘煜铖
李红梅
王刘辉
龚孟荣
黄冬亮
刘明杰
易培文
刘大勇
王璐
肖长春
张栋梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202210476401.9A priority Critical patent/CN114842295A/zh
Publication of CN114842295A publication Critical patent/CN114842295A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种绝缘子故障检测模型的获得方法、装置、电子设备及计算机可读存储介质；方法包括：获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；基于所述图像特征及相应的绝缘子标签构建训练样本；利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。通过本申请，能够得到可以高效准确进行绝缘子故障检测的绝缘子故障检测模型。

Description

绝缘子故障检测模型的获得方法、装置及电子设备
技术领域
本申请涉及计算机技术，尤其涉及一种绝缘子故障检测模型的获得方法、装置及电子设备。
背景技术
接触网是城市轨道交通中主要供电装置之一，由基础支柱、腕臂支持结构(含定位装置)、接触网悬挂三个子***构成。按照上部悬挂方式，接触网可分为刚性悬挂接触网和柔性悬挂接触网。绝缘子是接触网悬挂装置中重要部件之一，担负着电气绝缘和导线连接的重任。柔性接触网绝缘子绝大多暴露在户外，工作环境复杂多变，长期的日晒雨淋、化学腐蚀强机械应力以及电场负荷导致绝缘子非常容易出现材料老化、破损、掉片等故障；刚性接触网绝缘子故障一方面由于绝缘子质量不过关，另一方面由于粉尘、水垢、流水成线等原因产生过电流瞬时击穿。绝缘子故障不仅会导致绝缘子功能失效，还容易引发接触网线路安全事故，因此，为了确保接触网线路的可靠性，定期检查绝缘子是一项重要的维护程序。
传统的巡检方式主要依靠人工巡检，通过人工进行目视检查，检测效率低，耗时长，检测人员的安全难以保障，能否巡检也容易受环境因素影响。巡检机器人、车载视频监控设备的出现，使得拍摄绝缘子图像代替原始的目视检查成为可能。由于轨道交通线路复杂，绝缘子数量庞大，通过拍摄会生成大量的绝缘子图像，通过将图像传输回来进行人工目视检查的方法效率不高，检测人员长期面对大量图片，容易疲劳，造成误检的可能性较大。
发明内容
本申请实施例提供一种绝缘子故障检测模型的获得方法、装置、电子设备及计算机可读存储介质，能够得到可以高效准确进行绝缘子故障检测的绝缘子故障检测模型。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种绝缘子故障检测模型的获得方法，包括：
获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
基于所述图像特征及相应的绝缘子标签构建训练样本；
利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；
所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
上述方案中，所述获得携带绝缘子标签的绝缘子图像之前，包括：
获得初始绝缘子图像；
对所述初始绝缘子图像添加绝缘子标签，得到携带绝缘子标签的绝缘子图像。
上述方案中，所述获得初始绝缘子图像，包括：
获得图像拍摄设备对接触网区域进行拍摄后得到的拍摄图像；
对所述拍摄图像进行预处理，得到所述初始绝缘子图像。
上述方案中，所述对所述初始绝缘子图像进行预处理，包括：
对所述初始绝缘子图像进行颜色空间转换处理；
和/或，
对所述初始绝缘子图像进行高斯滤波处理；
和/或，
对所述初始绝缘子图像进行图像增强处理。
上述方案中，所述利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型，包括：
将所述图像特征输入至所述支持向量机模型内；
通过所述支持向量机模型，基于所述图像特征进行分类，得到预测分类结果，所述预测分类结果包括预测故障类型及预测位置；
确定所述预测分类结果和所述绝缘子标签之间的误差；
基于所述误差，对所述支持向量机模型进行训练。
上述方案中，所述基于所述误差，对所述支持向量机模型进行训练之后，还包括：
利用最大熵模型及验证数据集对所述支持向量机模型进行检验，得到满足精度条件的绝缘子故障检测模型。
上述方案中，所述方法还包括：
获得待测图像；
基于机器视觉算法对所述待测图像进行特征提取，得到相应的待测图像特征；
通过所述绝缘子故障检测模型对所述待测图像特征进行分类，得到所述待测图像中绝缘子的故障类型及绝缘子位置。
本申请实施例提供一种绝缘子故障检测模型的获得装置，包括：
获得模块，用于获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
特征提取模块，用于基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
构建模块，用于基于所述图像特征及相应的绝缘子标签构建训练样本；
训练模块，用于利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；
所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
本申请实施例提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的绝缘子故障检测模型的获得方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的绝缘子故障检测模型的获得方法。
本申请实施例通过获得携带绝缘子标签的绝缘子图像，所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征，基于所述图像特征及相应的绝缘子标签构建训练样本，利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型，通过结合机器视觉及支持向量机得到绝缘子故障检测模型，能够利用较小的数据训练得到精度较高的模型，使得利用该模型继续绝缘子的故障检测更加高效准确。
附图说明
图1是本申请实施例提供的绝缘子故障检测模型的获得***的一个可选的结构示意图；
图2是本申请实施例提供的电子设备的一个可选的结构示意图；
图3是本申请实施例提供的绝缘子故障检测模型的获得方法的一个可选的流程示意图；
图4是本申请提供的步骤301之前的步骤的一个可选的流程示意图；
图5是本申请实施例提供的步骤304的一个可选的细化流程示意图；
图6是本申请实施例提供的支持向量机模型的二维分类的一个可选地示意图；
图7是本申请实施例提供的SVM非线性分类转化为高维超平面线性分类的一个可选的示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
目前已有一些研究学者结合机器视觉、机器学习、深度学习等技术对绝缘子进行智能化故障检测。基于机器视觉的检测方法主要通过利用绝缘子的颜色形态等特征将绝缘子从复杂背景中分割出来，然后通过数学模型进行绝缘子缺陷的识别。该方法最终检测结果的好坏往往很大程度上依赖图像分割的质量。虽然己经有成千上万种图像分割方法，但是现有的分割方法的通用性有待提高，尤其是在图片背景十分复杂的情况下，很难实现完全有效的分割；基于机器学习的检测方法利用图像处理技术提取绝缘子的特征进行识别和检测。该方法的检测算法需要在特定场景进行特定特征提取，提取的特征过于单一，不具备多样性以及良好的泛化能力，并且通过聚类或滑动窗口方式实现绝缘子定位的计算代价较大；基于深度学习的绝缘子故障检测方法大多是直接将深度学习检测算法应用于绝缘子故障场景，没有融合绝缘子先验信息对模型进行优化，检测的准确度较低。此外深度学习模型训练过程中计算量大，耗时长。
综上，现有的绝缘子故障检测方法存在如下问题：1.人工巡检效率低、耗时长、安全性较差且易受环境影响；2、基于图像处理、机器学习、深度学习的智能化故障检测技术数据计算量大，检测精度低；3、智能化检测技术无法解决绝缘子故障识别过程中存在的非线性问题，在一定程度上存在误检、错检。
基于此，本申请实施例提供一种绝缘子故障检测模型的获得方法、装置、电子设备和计算机可读存储介质，能够得到可以高效准确进行绝缘子故障检测的绝缘子故障检测模型。
首先对本申请实施例提供的绝缘子故障检测模型的获得***进行说明，参见图1，图1是本申请实施例提供的绝缘子故障检测模型的获得***100的一个可选的结构示意图，为实现支撑一个绝缘子故障检测模型的获得应用，终端103通过网络102连接服务器101。在一些实施例中，终端103可以是笔记本电脑，平板电脑，台式计算机，智能手机，专用消息设备，便携式游戏设备，智能音箱，智能手表等，但并不局限于此。服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN，Content Delivery Network)服务、以及大数据和人工智能平台等基础云计算服务的云服务器。网络102可以是广域网或者局域网，又或者是二者的组合。终端103以及服务器101可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不作限制。
服务器101，用于发送携带绝缘子标签的绝缘子图像至终端103。
终端103，用于获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；基于所述图像特征及相应的绝缘子标签构建训练样本；利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
接下来对本申请实施例提供的用于实施上述绝缘子故障检测模型的获得方法的电子设备进行说明，参见图2，图2是本申请实施例提供的电子设备200的一个可选的结构示意图，在实际应用中，电子设备200可以实施为图1中的终端103或服务器101，以电子设备为图1所示的终端103为例，对实施本申请实施例的绝缘子故障检测模型的获得方法的电子设备进行说明。图2所示的电子设备200包括：至少一个处理器201、存储器205、至少一个网络接口202和用户接口203。电子设备200中的各个组件通过总线***204耦合在一起。可理解，总线***204用于实现这些组件之间的连接通信。总线***204除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线***204。
处理器201可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
用户接口203包括使得能够呈现媒体内容的一个或多个输出装置2031，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口203还包括一个或多个输入装置2032，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器205可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器205可选地包括在物理位置上远离处理器201的一个或多个存储设备。
存储器205包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器205旨在包括任意适合类型的存储器。
在一些实施例中，存储器205能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，本申请实施例中，存储器205中存储有操作***2051、网络通信模块2052、呈现模块2053、输入处理模块2054及绝缘子故障检测模型的获得装置2055；具体地，
操作***2051，包括用于处理各种基本***服务和执行硬件相关任务的***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块2052，用于经由一个或多个(有线或无线)网络接口202到达其他计算设备，示例性的网络接口202包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
呈现模块2053，用于经由一个或多个与用户接口203相关联的输出装置2031(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作***设备和显示内容和信息的用户接口)；
输入处理模块2054，用于对一个或多个来自一个或多个输入装置2032之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中，本申请实施例提供的绝缘子故障检测模型的获得装置可以采用软件方式实现，图2示出了存储在存储器205中的绝缘子故障检测模型的获得装置2055，其可以是程序和插件等形式的软件，包括以下软件模块：第一展示模块20551、检测模块20552、确定模块20553和第二展示模块20554，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中，本申请实施例提供的绝缘子故障检测模型的获得装置可以采用硬件方式实现，作为示例，本申请实施例提供的绝缘子故障检测模型的获得装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的绝缘子故障检测模型的获得方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
下面将结合本申请实施例提供的终端的示例性应用和实施，说明本申请实施例提供的绝缘子故障检测模型的获得方法。
参见图3，图3是本申请实施例提供的绝缘子故障检测模型的获得方法的一个可选的流程示意图，将结合图3示出的步骤进行说明。
步骤301，获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
步骤302，基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
步骤303，基于所述图像特征及相应的绝缘子标签构建训练样本；
步骤304，利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型。所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
在实际实施时，携带绝缘子标签的绝缘子图像为对接触网所处的区域进行拍摄后进行处理得到的图像。具体地，在一些实施例中，参见图4，图4是本申请提供的步骤301之前的步骤的一个可选的流程示意图，在步骤301之前，还可以执行：
步骤401，获得初始绝缘子图像；
步骤402，对所述初始绝缘子图像添加绝缘子标签，得到携带绝缘子标签的绝缘子图像。
这里，初始绝缘子图像可以是从已有的数据库中获得的处理过后的具有绝缘子的图像，还可以是对拍摄的图像进行处理后得到的图像。在一些实施例中，步骤401可以通过如下方式实现：获得图像拍摄设备对接触网区域进行拍摄后得到的拍摄图像；对所述拍摄图像进行预处理，得到所述初始绝缘子图像。
其中，图像拍摄设备包括但不限于航拍飞行器、巡检机器人及车载视频监控装置等。在实际实施时，可以利用航拍飞行器、巡检机器人或车载视频监控装置等设备对接触网所在的区域进行拍摄，得到相应的拍摄图像。在得到拍摄图像后，对拍摄图像进行预处理，得到预处理后的初始绝缘子图像。在一些实施例中，对所述拍摄图像进行预处理可以通过如下方式实现：对所述初始绝缘子图像进行颜色空间转换处理；和/或，对所述初始绝缘子图像进行高斯滤波处理；和/或，对所述初始绝缘子图像进行图像增强处理。
具体地，终端可以对拍摄进行色调饱和值(HSV，Hue Saturation Value)颜色空间转换，采用直方图均衡化消除拍摄图像的亮度误差。终端还可采用高斯滤波对拍摄图像滤除高斯噪声，或通过自适应中值滤波器对拍摄图像滤除椒盐噪声等。终端还可以采用二阶微分法对拍摄图像进行锐化处理，以增强拍摄图像的边缘和细节信息。
接着，终端在得到预处理后的初始绝缘子图像后，对所述初始绝缘子图像添加绝缘子标签，得到携带绝缘子标签的绝缘子图像。应当说明的是，本申请实施例得到的初始绝缘子图像有多张，包括正常绝缘子图像与故障绝缘子图像，以及相同绝缘子在不同时间段、不同背景下的图像。绝缘子图像打上的绝缘子标签至少包括绝缘子的故障类型及绝缘子在接触网中的位置。在一些实施例中，绝缘子标签还包括图像采集时间及图像采集高度等信息。
在实际实施时，终端在获得携带绝缘子标签的绝缘子图像后，基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征。这里，机器视觉算法包括但不限于HOG、SIFT、SURF、ORB、LBP和HAAR等。本申请实施例中涉及的支持向量机(SVM)模型可以根据实际需要选择合适的核函数构造得到。具体地，支持向量机常用核函数有多项式核函数、径向基核函数RBF、拉普拉斯核函数以及Sigmoid核函数等，其中径向基核函数RBF可用于非线性问题的求解；分别选用不同的核函数构建SVM模型，结果最好的模型即为预测模型；进一步地，利用核函数生成识别模型时，综合考虑核系数和误差惩罚因子，将识别模型进行训练数据的绝缘子检测，检测效果最好的两个参数作为生成模型参数的最优解。支持向量机属于机器学习算法，致力于研究如何通过计算的手段，利用经验来改善***自身的性能。在绝缘子图像检测这一块，可以利用以往的图像“经验”数据来产生相应的“模型”及“学习算法”，下次接触到新图像时，可以根据模型判断绝缘子的好坏。该算法的学习策略是最大化分类间隔，用其来构造最优的分类，提高了学习器的泛化能力，可以较好的解决非线性、高维数和局部极小点等问题，将复杂问题转化为了凸二次规划问题。此算法可以不断在实际运行中完善自己，可以适用于复杂的绝缘子图像。最大熵模型，就是在一定约束下条件熵最大的模型，可用来判断模型预测结果的好坏。
在实际实施时，参见图5，图5是本申请实施例提供的步骤304的一个可选的细化流程示意图，步骤304可以通过如下方式实现：
步骤501，将所述图像特征输入至所述支持向量机模型内；
步骤502，通过所述支持向量机模型，基于所述图像特征进行分类，得到预测分类结果，所述预测分类结果包括预测故障类型及预测位置；
步骤503，确定所述预测分类结果和所述绝缘子标签之间的误差；
步骤504，基于所述误差，对所述支持向量机模型进行训练。
在实际实施时，终端将图像特征输入至支持向量机模型内，通过支持向量机模型对图像特征进行分类处理，得到相应的预测分类结果。这里，支持向量机模型将对图像特征进行绝缘子故障类型的分类及绝缘子位置的分类。在得到支持向量机进行分类后，得到预测分类结果，这里，预测分类结果包括预测故障类型及预测位置。接着，终端确定预测分类结果和绝缘子标签之间的误差。这里，终端分别确定预测故障类型与绝缘子标签内的绝缘子故障类型之间的第一误差、以及预测位置与绝缘子标签内的绝缘子在接触网中的位置之间的第二误差，并基于第一误差和第二误差得到预测分类结果和所述绝缘子标签之间的误差。这里，终端可以对绝缘子故障类型和绝缘子在接触网中的位置分别赋予权值，也即对绝缘子故障类型赋值第一权值，对绝缘子在接触网中的位置赋值第二权值，基于第一误差、第一权值、第二误差及第二权值进行加权求和，得到的值作为预测分类结果和所述绝缘子标签之间的误差。
需要说明的是，SVM的核心思想是构建一个最大间隔的分类超平面，使两类样本分布于分类面两边。基于超平面故障诊断原理为：超平面可将正常绝缘子数据和存在故障的绝缘子数据分开，两类数据分别位于超平面的一侧。超平面故障一侧，测试数据离超平面越远，故障概率越大；超平面正常一侧，数据离超平面越远，故障概率越小。标准SVM是对线性可分的两类样本，寻找一个既能使两类样本正确分又保证分类间隔最大的最优分类面。两类样本为：
(x1,y1),(x2,y2),...(xi,yi)
xi∈Rn,yi∈{-1,1}
i＝1,2,...,l (1)
其中，R为训练样本总数；n为样本空间的维数；xi为样本空间向量；yi为样本的类别标志。分类超平面为w·x+b＝0，参见图6，图6是本申请实施例提供的支持向量机模型的二维分类的一个可选地示意图。如图6所示，其中w为最优超平面的法向量；b为偏置；R1上和R2分别为二的第一维和第二维的取值。
参见图7，图7是本申请实施例提供的SVM非线性分类转化为高维超平面线性分类的一个可选的示意图，对于非线性可分的情况，最优超平面的求解问题转化为(2)式的约束规划问题：
Figure BDA0003625744430000121
其中，式(2)的可以求解通过定义Lagrange函数，把构建最优超平面的问题转化为如式(3)对偶二次规划问题：
Figure BDA0003625744430000122
最终的最优超平面函数为：
Figure BDA0003625744430000123
所述基于训练样本的SVM模型具体训练过程如下：1)将绝缘子绝缘子故障检测模型转化为满足约束的线性/非线性规划问题；2)选择合适的决策函数求解上述线性/非线性规划问题，使用的决策函数称为超平面；3)基于超平面对采集到的绝缘子数据进行分类，得到绝缘子故障检测模型。
在一些实施例中，在步骤504之后，还可以执行：利用最大熵模型及验证样本集对所述支持向量机模型进行检验，得到满足精度条件的绝缘子故障检测模型。
在实际实施时，终端将验证样本集输入上述的绝缘子故障检测模型，获取绝缘子故障检测结果；并利用最大熵模型及验证样本集对检测模型进行检验，满足精度要求则认可该模型，反之再次重复步骤三、步骤四，最终得到可用于检测绝缘子故障的模型。需要说明的是，验证样本集的获得方式与上述的训练样本的获取方式相同，在此不再赘述。
需要说明的是，最大熵模型是在一定约束下条件熵最大的模型。最大熵模型检测即利用最大熵原理来选择最好的分类模型。其原理如下：给定数据集：τ＝{(x1,y1),(x2,y2),…,(xi,yi)}，根据给定数据集可得联合分布
Figure BDA0003625744430000131
的经验分布以及边缘分布P(X)的经验分布：
Figure BDA0003625744430000132
其中，v(X＝x,Y＝y)表示数据集中样本出现的频率，v(X＝x)表示数据集中输入x出现的频率，i是数据集的大小。
基于上述训练样本样本特征，利用最大熵模型求出绝缘子发生故障概率S(S<1)，若该绝缘子为故障绝缘子，则可得一个绝缘子故障概率S。依次判断其他绝缘子故障是否故障，得到相应故障概率S1，S2，…，SN。上述故障概率乘积最大的模型即为最优预测模型，也即得到绝缘子故障洁厕模型。
本申请实施例通过获得携带绝缘子标签的绝缘子图像，所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征，基于所述图像特征及相应的绝缘子标签构建训练样本，利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型，通过结合机器视觉及支持向量机得到绝缘子故障检测模型，能够利用较小的数据训练得到精度较高的模型，使得利用该模型继续绝缘子的故障检测更加高效准确。具体地，本申请实施例采用最大熵模型对绝缘子故障检测模型进行检验，可提高模型的准确性，绝缘子故障检测模型采用SVM分类器，所需样本数据较小，计算速度更快，基于SVM分类器绝缘子绝缘子故障检测模型可处理非线性问题，能够提高检测效率与准确率。
下面继续说明本申请实施例提供的绝缘子故障检测模型的获得装置2055的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器205的绝缘子故障检测模型的获得装置2055中的软件模块可以包括：
获得模块20551，用于获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
特征提取模块20552，用于基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
构建模块20553，用于基于所述图像特征及相应的绝缘子标签构建训练样本；
训练模块20554，用于利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；
所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
在一些实施例中，所述绝缘子故障检测模型的获得装置2055，还包括：绝缘子图像获得模块，用于获得初始绝缘子图像；对所述初始绝缘子图像添加绝缘子标签，得到携带绝缘子标签的绝缘子图像。
在一些实施例中，所述绝缘子图像获得模块，还用于获得图像拍摄设备对接触网区域进行拍摄后得到的拍摄图像；对所述拍摄图像进行预处理，得到所述初始绝缘子图像。
在一些实施例中，所述绝缘子图像获得模块，还用于对所述初始绝缘子图像进行颜色空间转换处理；和/或，对所述初始绝缘子图像进行高斯滤波处理；和/或，对所述初始绝缘子图像进行图像增强处理。
在一些实施例中，所述训练模块20554，还用于将所述图像特征输入至所述支持向量机模型内；通过所述支持向量机模型，基于所述图像特征进行分类，得到预测分类结果，所述预测分类结果包括预测故障类型及预测位置；确定所述预测分类结果和所述绝缘子标签之间的误差；基于所述误差，对所述支持向量机模型进行训练。
在一些实施例中，所述训练模块20554，还用于利用最大熵模型及验证数据集对所述支持向量机模型进行检验，得到满足精度条件的绝缘子故障检测模型。
在一些实施例中，所述绝缘子故障检测模型的获得装置2055，还包括：故障检测模块，用于获得待测图像；基于机器视觉算法对所述待测图像进行特征提取，得到相应的待测图像特征；通过所述绝缘子故障检测模型对所述待测图像特征进行分类，得到所述待测图像中绝缘子的故障类型及绝缘子位置。
本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的绝缘子故障检测模型的获得方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的绝缘子故障检测模型的获得方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件***中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信20222络互连的多个计算设备上执行。
综上所述，通过本申请实施例能够得到可以高效准确进行绝缘子故障检测的绝缘子故障检测模型。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (10)

1.一种绝缘子故障检测模型的获得方法，其特征在于，包括：
获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
基于所述图像特征及相应的绝缘子标签构建训练样本；
利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；
所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
2.根据权利要求1所述的方法，其特征在于，所述获得携带绝缘子标签的绝缘子图像之前，包括：
获得初始绝缘子图像；
对所述初始绝缘子图像添加绝缘子标签，得到携带绝缘子标签的绝缘子图像。
3.根据权利要求2所述的方法，其特征在于，所述获得初始绝缘子图像，包括：
获得图像拍摄设备对接触网区域进行拍摄后得到的拍摄图像；
对所述拍摄图像进行预处理，得到所述初始绝缘子图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述初始绝缘子图像进行预处理，包括：
对所述初始绝缘子图像进行颜色空间转换处理；
和/或，
对所述初始绝缘子图像进行高斯滤波处理；
和/或，
对所述初始绝缘子图像进行图像增强处理。
5.根据权利要求3所述的方法，其特征在于，所述利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型，包括：
将所述图像特征输入至所述支持向量机模型内；
通过所述支持向量机模型，基于所述图像特征进行分类，得到预测分类结果，所述预测分类结果包括预测故障类型及预测位置；
确定所述预测分类结果和所述绝缘子标签之间的误差；
基于所述误差，对所述支持向量机模型进行训练。
6.根据权利要求5所述的方法，其特征在于，所述基于所述误差，对所述支持向量机模型进行训练之后，还包括：
利用最大熵模型及验证数据集对所述支持向量机模型进行检验，得到满足精度条件的绝缘子故障检测模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获得待测图像；
基于机器视觉算法对所述待测图像进行特征提取，得到相应的待测图像特征；
通过所述绝缘子故障检测模型对所述待测图像特征进行分类，得到所述待测图像中绝缘子的故障类型及绝缘子位置。
8.一种绝缘子故障检测模型的获得装置，其特征在于，包括：
获得模块，用于获得携带绝缘子标签的绝缘子图像；所述绝缘子标签包括绝缘子故障类型及绝缘子在接触网中的位置；
特征提取模块，用于基于机器视觉算法对所述绝缘子图像进行特征提取，得到相应的图像特征；
构建模块，用于基于所述图像特征及相应的绝缘子标签构建训练样本；
训练模块，用于利用所述训练样本，对支持向量机模型进行训练，得到相应的绝缘子故障检测模型；
所述绝缘子故障检测模型，用于对待测图像进行分类，得到待测图像中绝缘子的故障类型及绝缘子位置。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的绝缘子故障检测模型的获得方法。
10.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至7任一项所述的绝缘子故障检测模型的获得方法。
CN202210476401.9A 2022-04-29 2022-04-29 绝缘子故障检测模型的获得方法、装置及电子设备 Pending CN114842295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476401.9A CN114842295A (zh) 2022-04-29 2022-04-29 绝缘子故障检测模型的获得方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476401.9A CN114842295A (zh) 2022-04-29 2022-04-29 绝缘子故障检测模型的获得方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114842295A true CN114842295A (zh) 2022-08-02

Family

ID=82567937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476401.9A Pending CN114842295A (zh) 2022-04-29 2022-04-29 绝缘子故障检测模型的获得方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114842295A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854051A (zh) * 2024-01-11 2024-04-09 国网山东省电力公司电力科学研究院 基于深度学习的输电线杆塔绝缘子图像处理方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854051A (zh) * 2024-01-11 2024-04-09 国网山东省电力公司电力科学研究院 基于深度学习的输电线杆塔绝缘子图像处理方法及***

Similar Documents

Publication Publication Date Title
Ahmad et al. Object detection through modified YOLO neural network
Tulbure et al. A review on modern defect detection models using DCNNs–Deep convolutional neural networks
CN109154976B (zh) 通过机器学习训练对象分类器的***和方法
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
US9830704B1 (en) Predicting performance metrics for algorithms
US20180114071A1 (en) Method for analysing media content
CN109242033A (zh) 晶片缺陷模式分类方法及装置、存储介质、电子设备
CN111813997B (zh) 入侵分析方法、装置、设备及存储介质
CN111598164A (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN110826429A (zh) 一种基于景区视频的旅游突发事件自动监测的方法及***
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN109784243B (zh) 身份确定方法及装置、神经网络训练方法及装置、介质
Liu et al. Review of data analysis in vision inspection of power lines with an in-depth discussion of deep learning technology
CN111882034A (zh) 神经网络处理及人脸识别方法、装置、设备和存储介质
CN114943937A (zh) 行人重识别方法、装置、存储介质及电子设备
CN114842295A (zh) 绝缘子故障检测模型的获得方法、装置及电子设备
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN116580285B (zh) 铁路绝缘子夜间目标识别检测方法
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
KR102230559B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
Bian et al. Real-time object detection for smart connected worker in 3d printing
CN116543333A (zh) 电力***的目标识别方法、训练方法、装置、设备和介质
Li et al. Pin bolt state identification using cascaded object detection networks
CN115223157A (zh) 一种基于循环神经网络的电网设备铭牌光学字符识别方法
CN114783042A (zh) 基于多移动目标的人脸识别方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination