CN117152528A - 绝缘子状态识别方法、装置、设备、存储介质和程序产品 - Google Patents
绝缘子状态识别方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117152528A CN117152528A CN202311164985.7A CN202311164985A CN117152528A CN 117152528 A CN117152528 A CN 117152528A CN 202311164985 A CN202311164985 A CN 202311164985A CN 117152528 A CN117152528 A CN 117152528A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- target
- state
- model
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 82
- 241000287127 Passeridae Species 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 70
- 238000009826 distribution Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 25
- 238000010845 search algorithm Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 15
- 238000013210 evaluation model Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种绝缘子状态识别方法、装置、设备、存储介质和程序产品。所述方法包括:获取待识别图像,待识别图像为包括绝缘子的图像;建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。采用本方法能够提高绝缘子及其状态的识别准确度和效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种绝缘子状态识别方法、装置、设备、存储介质和程序产品。
背景技术
绝缘子是电力***中用于实现电气绝缘和机械固定的元件。绝缘子大多长时间暴露在户外,容易出现破损、脱落、腐蚀等缺陷,导致绝缘子的绝缘强度下降。若不能及时发现此类缺陷而继续带电运行,极易发展为永久性故障,会影响电网的安全稳定运行。因此,准确识别电力***中绝缘子的状态十分重要。
随着计算机技术和图像处理技术的发展,绝缘子的状态检测由依赖人工识别转为通过计算机图像处理技术进行识别。在传统图像处理领域,绝缘子的检测主要依赖手工提取图像中绝缘子的轮廓、颜色、小波系数等特征,再使用分类器对提取到的特征进行训练。该类方法容易引入误差和干扰。随着卷积神经网络的出现,深度学习技术在绝缘子的检测方面得到了应用,但目前基于深度学习的绝缘子识别模型大多复杂度高,占用计算资源较多,在训练过程中需要人工调整参数,因此,现有的绝缘子识别方法准确度和效率较低,实用性不强。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高绝缘子及其状态的识别准确度和效率的绝缘子状态识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种绝缘子状态识别方法。所述方法包括:
获取待识别图像,待识别图像为包括绝缘子的图像;
建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。
在其中一个实施例中,所述方法还包括:
获取原始绝缘子图像,对原始绝缘子图像进行预处理,得到预处理后的绝缘子图像;其中,预处理包括旋转、裁剪、调整亮度和高斯模糊中的至少一种;
对原始绝缘子图像和预处理后的绝缘子图像进行归一化处理,得到归一化后的绝缘子图像;
将归一化后的绝缘子图像按预设比例划分为训练图像和测试图像,得到训练图像集和测试图像集,其中,训练图像集用于训练初始绝缘子状态识别模型,测试图像集用于验证目标绝缘子状态识别模型的准确性。
在其中一个实施例中,所述方法还包括:
采用预设的滑动窗对训练图像进行扫描,得到训练图像的二维特征图;
将二维特征图分别输入第一级联层中的各目标识别单元,获得与训练图像中的绝缘子状态相对应的各个类分布向量;其中,第一级联层是互相串联的多个级联层中的起始级联层;
拼接各类分布向量,得到原始特征向量,并根据原始特征向量构建各级联层的级联输入向量。
在其中一个实施例中,所述方法还包括:
将级联输入向量输入第二级联层,得到第二类分布向量和第二类分布向量对应的第一预测精度;
将第二类分布向量与原始特征向量连接,输入第三级联层,得到第三类分布向量和第三类分布向量对应的第二预测精度;
当第二预测精度满足预设条件时,以第三级联层作为目标识别模型的最后一个级联层;其中,第二级联层与第三级联层为相邻的两个级联层。
在其中一个实施例中,预设优化算法为麻雀搜索算法,用预设的优化算法得到初始绝缘子状态识别模型的超参数,包括:
根据超参数的变量维度确定麻雀搜索算法的参数和搜索范围;其中,麻雀搜索算法的参数包括麻雀总数目、发现者和侦察者的比例、预警值和最大迭代次数;其中,最大迭代次数为麻雀个体调整位置的最大次数;
计算在搜索范围内麻雀个体的全局最优适应度和每个麻雀个体的适应度;根据各个麻雀个体的位置和适应度按预设规则调整各个麻雀个体的位置;
当迭代次数达到最大迭代次数时,以具有最大适应度的麻雀个体所对应的超参数作为目标绝缘子状态识别模型的超参数。
在其中一个实施例中,在使用预设的优化算法得到初始绝缘子状态识别模型的超参数之后,所述方法还包括:
将测试图像集输入目标绝缘子状态识别模型中,获取识别结果;
获取识别结果中被正确识别的绝缘子图像数量、被正确识别的绝缘子图像中绝缘子的状态、被错误识别的绝缘子图像数量和被错误识别的绝缘子图像中绝缘子的状态;
根据数量确定目标绝缘子状态识别模型的准确率和平衡分数,当准确率和平衡分数处于预设区间内时,输出目标绝缘子状态识别模型。
第二方面,本申请还提供了一种绝缘子状态识别装置。所述装置包括:
获取模块,用于获取待识别图像;待识别图像为包括绝缘子的图像;
运算模块,用于建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
识别模块,用于通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息;状态信息用于确定待识别图像中的绝缘子是否存在故障。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别图像,待识别图像为包括绝缘子的图像;
建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。
第四方面,本申请还提供了一种计算机可读存储介质。所述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以下步骤:
获取待识别图像,待识别图像为包括绝缘子的图像;
建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待识别图像,待识别图像为包括绝缘子的图像;
建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。
上述绝缘子状态识别方法、装置、计算机设备、存储介质和计算机程序产品,使用目标绝缘子状态识别模型来识别绝缘子及其状态能够提高识别的效率,有助于提高电力***维护的效率;使用优化算法得到模型的超参数,可以减少人工调整超参数的次数,提高获得最优超参数的效率,模型中包括多个互相串联的级联层有助于逐渐抽取更高层次的特征,每个级联层可以捕获不同层次的抽象信息,有助于提升模型的表达能力,获得的模型鲁棒性和准确性较高,构成级联层的目标识别单元包括XGBoost单元,能够提升模型的泛化能力和训练速度,获得的模型绝缘子识别准确度和效率高,实用性强。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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申请的一些实施例,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。
图1为一个实施例中绝缘子状态识别方法的应用环境图;
图2为一个实施例中绝缘子状态识别方法的流程示意图;
图3为一个实施例中绝缘子状态识别方法的流程示意图;
图4为一个实施例中多粒度扫描的流程示意图;
图5为一个实施例中绝缘子状态识别模型各级联层的结构示意图;
图6为一个实施例中绝缘子状态识别模型的训练流程示意图;
图7为一个实施例中模型评估性能与迭代次数的关系示意图;
图8为一个实施例中绝缘子状态识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的绝缘子状态识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是电力***中的各类终端设备,例如,能够进行视频或图像采集的设备、电力***巡检过程中使用的智能手机、个人计算机、笔记本电脑、平板电脑、物联网设备或便携式可穿戴设备等,其中便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可以是电力***的管理服务器,数据存储***可以存储电力***中的各类数据,例如绝缘子图像等。
在一个示例性的实施例中,如图2所示,提供了一种绝缘子状态识别方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤202至步骤206。
其中:
步骤202,获取待识别图像,待识别图像为包括绝缘子的图像。
其中,待识别图像是指需要通过图像处理、计算机视觉技术或人工智能算法进行分析,以便提取有用信息的图像,也就是作为目标绝缘子状态识别模型的输入的图像,待识别图像可以是可见光图像、红外图像或者灰度图像。绝缘子是电力***中用于实现电气绝缘和机械固定的元件,图像中可以包括正常的缘子和有缺陷的绝缘子,其中正常的绝缘子可以单个绝缘子和绝缘子串,有缺陷的绝缘子可以是有裂纹、污损、异物或脱落(掉串)等状态的绝缘子。
示例性地,获取待识别图像,待识别图像为包括绝缘子的图像,可以是通过电力***的监控摄像头、无人机或其它图像采集设备拍摄的不同环境下的绝缘子图像。
步骤204,建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项。
其中,初始绝缘子状态识别模型是未经训练的绝缘子状态识别模型,该模型中包括基本的层次和连接方式,以及初始的权重或参数。超参数是指用于控制模型的行为和性能的参数,与模型内部的权重或参数不同,超参数通常在训练过程之前设置完成,超参数可以包括学习率、批大小、迭代次数和网络结构相关参数等。级联层也可称作级联分类器或级联阶段,级联层可以通过一系列分类器级联逐步筛选掉非目标区域从而检测到感兴趣目标。目标识别单元是指模型中用于执行目标识别的任务的某些组件或层,例如卷积层、池化层或分类层等。XGBoost单元是指采用XGBoost算法完成目标识别和分类的单元,XGBoost单元可以包括多个决策树或其它弱分类器,在训练过程中,可以通过梯度提升方法逐步训练这些决策树,以最小化损失函数。学习率用于指控制模型参数在每次迭代中的更新幅度,可以确定在梯度下降等优化算法中,每次迭代中参数更新的步长,在不同的模型中,学习率可以是固定的也可以是变化的。模型的最大深度是指模型中进行特征提取或变换的层的最大数量。
示例性地,建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型,首先需要选择合适的机器学习或深度学习算法作为初始绝缘子状态识别模型,例如支持向量机(SVM)、随机森林、神经网络等。初始绝缘子状态识别模型确定后,可以基于选择的算法确定需要调整的超参数和超参数的范围,例如学习率、层的数量和大小、正则化参数等,使用选择的优化算法和超参数范围,在验证集上寻找最优的超参数组合;其中,优化算法可以是网格搜索、随机搜索、贝叶斯优化等算法。在超参数确定后,还可以使用训练数据训练初始绝缘子状态识别模型,训练数据中可以包括输入特征和状态标签,输入特征可以包括图像特征和类别特征等,状态标签可以包括正常绝缘子、缺陷绝缘子等。该过程中可能需要经过多次迭代来调整模型参数。当获得目标绝缘子状态识别模型后,可以使用与训练数据不同的测试数据测试经训练的绝缘子状态识别模型,来判断模型的性能,当模型的性能不满足需求时,可以重新调整模型的超参数或者重新进行训练。
步骤206,通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,状态信息用于确定待识别图像中的绝缘子是否存在故障。
其中,状态信息是指示图像中绝缘子的状态的信息,可以包括文本、边界框、类别标签以及对应于每个类别的概率等信息。
示例性地,通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,可以是将待识别图像输入目标绝缘子状态识别模型中,获取模型输出的状态信息,状态信息包括类别时,可以直接获知图像中的绝缘子为正常绝缘子或故障绝缘子及其故障类型;当状态信息包括概率或文本等数据时,可以对状态信息进行进一步的分析和处理,以确定绝缘子的实际状态。
上述绝缘子状态识别方法中,使用目标绝缘子状态识别模型来识别绝缘子及其状态能够提高识别的效率,有助于提高电力***维护的效率;使用优化算法得到模型的超参数,可以减少人工调整超参数的次数,提高获得最优超参数的效率,模型中包括多个互相串联的级联层有助于逐渐抽取更高层次的特征,每个级联层可以捕获不同层次的抽象信息,有助于提升模型的表达能力,获得的模型鲁棒性和准确性较高,构成级联层的目标识别单元包括XGBoost单元,能够提升模型的泛化能力和训练速度,获得的模型绝缘子识别准确度和效率高,实用性强。
在一个实施例中,所述方法还包括:获取原始绝缘子图像,对原始绝缘子图像进行预处理,得到预处理后的绝缘子图像;其中,预处理包括旋转、裁剪、调整亮度和高斯模糊中的至少一种;对原始绝缘子图像和预处理后的绝缘子图像进行归一化处理,得到归一化后的绝缘子图像;将归一化后的绝缘子图像按预设比例划分为训练图像和测试图像,得到训练图像集和测试图像集,其中,训练图像集用于训练初始绝缘子状态识别模型,测试图像集用于验证目标绝缘子状态识别模型的准确性。
其中,原始绝缘子图像是由图像采集装置或设备获取的原始图像。预处理是指对原始图像进行处理或转换,以提高图像质量或使预处理后的图像更加适合模型的过程,可以包括尺寸调整、归一化、色彩空间转换、随机变换、裁剪或填充等处理方式中的一种或多种。归一化可以是尺寸归一化或像素值归一化,即将尺寸或像素值调整到一定的范围内。训练图像是用于训练初始绝缘子状态识别模型数据,训练图像集是由训练图像构成的图像集合。训练图像集中包含大量的图像样本,每个样本都有对应的标签或类别信息。在训练过程中,模型使用训练图像集来学习特征、模式和关系,以便能够对未知数据进行预测或分类。测试图像是用于评估已训练模型性能的数据,测试图像集是由测试图像构成的图像集合。训练图像集和测试图像集中包括的图像是不同的。将测试图像集作为模型的输入,可以评估模型的准确率、精确率、召回率等性能指标,从而了解模型的实际性能。除了训练图像集和测试图像集之外,还可以构建验证图像集,用于调整模型的超参数。
示例性地,获取原始绝缘子图像可以是通过无人机、手机、监控摄像头等设备拍摄包括绝缘子的图像,或从监控视频中截图获得包括绝缘子的图像。继而采用旋转、裁剪、调整亮度和高斯模糊等方式对原始绝缘子图像进行变换,将变换后的图像和原始绝缘子图像进行归一化,以提高模型的收敛速度。将归一化后的绝缘子图像按预设比例划分为训练图像和测试图像,得到训练图像集和测试图像集,可以是将归一化后的绝缘子图像中70%-80%的图像作为训练图像集,其余20%-30%的图像作为测试图像集。
在一个实施例中,所述方法还包括:采用预设的滑动窗对训练图像进行扫描,得到训练图像的二维特征图;将二维特征图分别输入第一级联层中的各目标识别单元,获得与训练图像中的绝缘子状态相对应的各个类分布向量;其中,第一级联层是互相串联的多个级联层中的起始级联层;拼接各类分布向量,得到原始特征向量,并根据原始特征向量构建各级联层的级联输入向量。
其中,滑动窗是一个固定大小的窗口,用于在图像中寻找可能的目标区域。该窗口可以在训练图像上滑动并在每个位置进行分类或回归,检测是否存在目标对象,并得到其位置和尺寸信息。二维特征图是对训练图像进行特征或信息提取后得到的二维数据结构,其中每个元素表示一个特征在图像上的位置。类分布向量是用来表示每个类别在数据集中的分布情况的向量,类分布向量中的每个元素表示一个类别,其值表示该类别在数据集中出现的频率或比例。拼接是指将多个向量按照一定的顺序连接在一起形成新的向量。
示例性地,采用预设的滑动窗对训练图像进行扫描,得到训练图像的二维特征图,可以是首先确定滑动窗的宽度、高度、滑动窗的水平移动距离和垂直移动距离,使用选定的滑动窗和移动距离遍历训练图像,在每个窗口位置提取特征,根据提取的特征得到二维特征图;拼接各类分布向量,可以是对各类分布向量进行水平拼接、垂直拼接或深度拼接,从而得到原始特征向量,根据原始特征向量构建各级联层的级联输入向量,可以是以原始特征向量作为级联层的级联输入向量,也可以将上一级联层输出的类分布向量与原始特征向量相连接,获得下一级联层的级联输入向量。
在一个实施例中,所述方法还包括:将级联输入向量输入第二级联层,得到第二类分布向量和第二类分布向量对应的第一预测精度;将第二类分布向量与原始特征向量连接,输入第三级联层,得到第三类分布向量和第三类分布向量对应的第二预测精度;当第二预测精度满足预设条件时,以第三级联层作为目标识别模型的最后一个级联层;其中,第二级联层与第三级联层为相邻的两个级联层。
其中,第二级联层和第三级联层可以是初始绝缘子状态识别模型中互相串联的多个级联层中的任意两个相连的级联层,第三级联层可以根据第二级联层的输出来确定是否构建。预设条件可以是预设的精度阈值,当第二预测精度小于该阈值时,可以构建第三级联层,以获得精度更高的预测结果。
示例性地,将级联输入向量输入第二级联层,得到第二类分布向量和第二类分布向量对应的第一预测精度;可以是将级联输入向量输入第二级联层并执行前向传播操作,计算出第二级联层的输出,即第二类分布向量,根据第二类分布向量和第一级联层的实际类别标签计算第一预测精度,第三类分布向量和第二预测精度的获取过程与第二类分布向量和第一预测精度的获取过程相类似。当第一预测精度不满足预设条件时,可以继续构建级联层,直到模型输出的预测精度满足预设条件。
在一个实施例中,预设优化算法为麻雀搜索算法,用预设的优化算法得到初始绝缘子状态识别模型的超参数,包括:根据超参数的变量维度确定麻雀搜索算法的参数和搜索范围;其中,麻雀搜索算法的参数包括麻雀总数目、发现者和侦察者的比例、预警值和最大迭代次数;其中,最大迭代次数为麻雀个体调整位置的最大次数;计算在搜索范围内麻雀个体的全局最优适应度和每个麻雀个体的适应度;根据各个麻雀个体的位置和适应度按预设规则调整各个麻雀个体的位置;当迭代次数达到最大迭代次数时,以具有最大适应度的麻雀个体所对应的超参数作为目标绝缘子状态识别模型的超参数。
其中,麻雀搜索算法是模拟麻雀种群觅食和反捕捉规律的优化算法。其中各项参数可以随机设置或根据经验设置,预警值的取值通常在[0,1]范围内。
示例性地,根据各个麻雀个体的位置和适应度按预设规则调整各个麻雀个体的位置;可以是计算麻雀适应度并按大小进行排列,确定最优适应度和最劣适应度对应的麻雀个体,并根据适应度排序更新麻雀个体的位置,重复以上过程,直至达到最大迭代次数,此时适应度最大的麻雀个体所对应的超参数可以作为目标绝缘子状态识别模型的超参数。当与获得的超参数对应的评价指标不满足预设条件时,可以调整麻雀搜索算法的参数并重新获取超参数,以改善目标绝缘子状态识别模型的性能。
在一个实施例中,在使用预设的优化算法得到初始绝缘子状态识别模型的超参数之后,所述方法还包括:将测试图像集输入目标绝缘子状态识别模型中,获取识别结果;获取识别结果中被正确识别的绝缘子图像数量、被正确识别的绝缘子图像中绝缘子的状态、被错误识别的绝缘子图像数量和被错误识别的绝缘子图像中绝缘子的状态;根据识别结果确定目标绝缘子状态识别模型的准确率和平衡分数,当准确率和平衡分数处于预设区间内时,输出目标绝缘子状态识别模型。
其中,识别结果是指将测试图像集输入目标绝缘子状态识别模型后获得的分类或检测结果。其中分类结果可以包括“正常绝缘子”、“缺陷绝缘子”、“污损绝缘子”或“裂纹绝缘子”等多种类型,检测结果可以是在图像中标注出所识别的绝缘子的边界框或类别标签。准确率(Accuracy)表示模型在所有预测中正确的比例。平衡分数也可称作F1分数,是考虑了模型的精确率(Precision)和召回率(Recall)的性能指标,其中精确率是指模型预测为正例(属于某个特定类别或标签的样本或数据)的样本中,实际上是正例的比例,能够衡量模型在预测为正例时的准确性;召回率是指实际为正例的样本中,被模型正确预测为正例的比例,用于衡量了模型对于实际正例的捕捉能力。
示例性地,可以将模型输出的上述结果与测试图像集中对应图像的绝缘子状态相比对,来获取识别结果中被正确识别的绝缘子图像数量、被正确识别的绝缘子图像中绝缘子的状态、被错误识别的绝缘子图像数量和被错误识别的绝缘子图像中绝缘子的状态;准确率可以通过计算正确预测的样本数与总样本数的比值来获得。平衡分数可以通过计算精确率和召回率的乘积的二倍与精确率和召回率之和的商来获得。通过计算准确率和平衡分数能够评估目标绝缘子状态识别模型的综合性能。
在一个示例性的实施例中,提供了一种绝缘子状态识别方法,如图3所示,包括以下步骤:
步骤1:利用具有摄像功能的无人机等设备对绝缘子进行拍摄,并通过通信***传输和收集,构建丰富多样的绝缘子数据集,并随机按一定比例分为训练数据和测试数据。
步骤2:利用绝缘子训练数据对基于改进深度森林的初始绝缘子状态识别模型进行迭代训练,建立绝缘子照片与绝缘子状态之间的非线性映射关系;其中,所述绝缘子状态为正常运行状态和破损、自爆、锈蚀损伤等缺陷状态;
步骤3:采用麻雀搜索算法确定初始绝缘子状态识别模型的最佳超参数,使得模型的评估性能在测试数据上达到最优,进而得到目标绝缘子状态评估模型;
步骤4:将在线获取的待评估绝缘子照片传输给目标绝缘子状态评估模型,输出待评估绝缘子的状态,辅助电力部门判断是否要对绝缘子进行更换。
示例性地,在绝缘子数据集的构建过程中,可以对绝缘子照片进行旋转、裁剪、改变亮度和高斯模糊等方法扩充绝缘子照片数量,得到多样化的绝缘子数据集。
示例性地,深度森林是在深度神经网络构架的基础上,以随机森林为基础的集成学习算法,分为多粒度扫描和级联森林两个阶段。在以上实施例中,采用XGBoost代替随机森林,构造新的级联阶段,可以进一步提升算法表征复杂函数的能力。
XGBoost在梯度提升决策树的基础上对损失函数进行二阶泰勒展开和增加正则化项,实现了模型运算速度和计算精度的提升。假设给定绝缘子数据集D={(xi,yi):i=1,...,n},其中有n张绝缘子照片,每张绝缘子照片i对应输入特征矩阵x和绝缘子状态y,则由K棵树集成的XGBoost模型可以表示为:
式中,fk(xi)表示第k棵树对第i张绝缘子照片的计算值。
定义损失函数来衡量绝缘子状态预测类别与真实类别的偏差,并以最小化目标函数来训练XGBoost:
式中,l为衡量数据拟合程度的误差函数;Ω(fk)表示正则化项,其表达式如下:
式中,T为叶子节点数目;γ和λ为惩罚系数;wj表示叶子节点j的权重。
利用前向分步算法进行训练,并添加ft以最优化目标函数。第t步去掉常数项并进行二阶二阶泰勒展开,得到的目标函数如下:
式中,gi和hi分别为损失函数的一阶导数和二阶导数;Ij表示叶子节点j的样本编号集。
式(4)是关于wj的一元二次方程,由此可计算出固定树结构下的叶子节点的最优权重:
将式(5)代入式(4),可计算出相应的最优目标值为:
多粒度扫描过程如图1所示,对于m1×m1的绝缘子图像数据,采用m2×m2的滑动窗进行处理,得到((m1-m2+1)×(m1-m2+1))个m2×m2的二维特征图。然后将得到的特征图分别输入到4个不同的XGBoost,以绝缘子状态判定为例,会得到((m1-m2+1)×(m1-m2+1))个2维类分布向量,将这些向量进行拼接,得到(4×(m1-m2+1)×(m1-m2+1))维的新特征向量。
与随机森林相比,XGBoost具有训练速度快、预测精度高、鲁棒性优等优点,且可调用GPU加速训练过程,故本发明采用XGBoost构造新的级联阶段,如图5所示,初始绝缘子状态评估模型的每一级联层由四个XGBoost组成,分别利用多粒度扫描提取的特征向量进行训练,每个XGBoost估计的类分布形成一个类向量,然后,将其与原始特征向量连接以输入到下一级级联。当下一级联层的预测精度不再提升时,停止级联,得到目标绝缘子状态评估模型。
目标绝缘子状态评估模型的重要超参数包括:最大级联层数、XGBoost的学习率、迭代次数和最大深度。使用麻雀搜索算法获得目标绝缘子状态评估模型的最优超参数的过程如图6所示,假设种群中麻雀数量为n2,搜索的改进深度森林的超参数变量维度为d,则麻雀的位置可用n2×d的矩阵表示。麻雀种群中的发现者负责寻找食物,并为种群提供觅食的方向和区域,其位置更新如下:
式中,表示第t2次迭代时第i2只麻雀在第j2维的位置;δ为0-1之间的随机数;T2,max表示最大迭代次数;Q为服从正态分布的随机数;L为元素数值均为1的1×d的矩阵;R2为预警值,且R2∈[0,1];S为安全值,且S∈[0,1]。当R2<S时,麻雀觅食周围没有捕食者,发现者可以进行广泛的搜索。当R2≥S时,觅食周围已经发现捕食者,麻雀迅速向飞向安全区域。
麻雀种群中的加入者根据发现者提供的信息去获取食物,但处于饥饿状态时,也可能会飞往其他区域觅食,其位置更新如下:
式中,为当前发现者获得的最佳位置;/>为当前全局最差位置;A为为1的1×d的矩阵,元素随机赋值为1或-1,且A+=AT(AAT)-1;当/>时,加入者没能获取足够食物,将前往其他区域觅食。
种群中随机选择一部分比例为侦察者,意识到危险时做出反捕食行为,其位置更新如下:
式中,为当前全局最优位置;v和ε均为迭代步长控制参数;K为极小数,避免分母为0;α和β分别为全局最佳和最劣的适应度值。/>为第i2只麻雀的适应度,当时/>时,麻雀处于种群边缘,有较大被捕食危险。当时/>时,麻雀意识到了危险,随机向其他麻雀靠拢。
利用麻雀搜索算法确定改进深度森林的最佳超参数的流程如图4所示,具体步骤如下:
步骤1:设置麻雀搜索算法的参数,具体包括麻雀总数目、发现者和侦察者的比例、预警值和最大迭代次数;
步骤2:确定需要调整的改进深度森林的超参数,并设置每一个超参数的搜索范围;
步骤3:求解最佳的改进深度森林的超参数,在此过程计算麻雀适应度并进行排列,确定最优适应度和最劣适应度对应的麻雀个体;
步骤4:迭代过程中根据公式(7)~(9)不断更新发现者、加入者和侦察者的位置,与全局最优解进行比较并更新最优适应度值;
步骤5:达到预设的最大迭代次数时终止计算,输出最优解对应的改进深度森林的超参数数值,以及所得评价指标数值。
其中,评价指标为准确率Iacc和平衡分数F1,对应公式如下:
式中,TP和TN分别为被正确评估的正常绝缘子和有缺陷绝缘子照片数;FP和FN分别为被错误评估的有缺陷绝缘子和正常绝缘子照片数;Ipre为精确率,且Ipre=TN/(TN+FN);Irec为召回率率,且Irec=TN/(TN+FP)。
为了验证本发明的可行性以及有效性,利用某省输电线路无人机巡检的绝缘子照片进行测试,其中包括完好绝缘子照片600张,有缺陷绝缘子照片248张。将缘子照片按照8:2的比例随机分为训练数据和测试数据,对改进深度森林进行测试,测试结果如图7所示,从图7中可以看出,改进深度森林评估性能较为稳定,在超参数优化过程中准确率和F1都保持在较优的区间。在第10次迭代时,所得准确率和F1最优,故将对应的超参数数值设置为改进深度森林的最终参数。通过麻雀搜索算法自动确定改进深度森林的超参数,避免了耗时、乏味和低效的人为调参过程,本发明的工程实用性得到有效保证。
为了验证改进深度森林的有效性,采用深度神经网络DNN和卷积神经网络CNN作为对比算法,结果如表1所示。
表1不同机器学习方法的对比结果
从表1中可以看出,改进深度森林应用于绝缘子状态评估时拥有最佳的评估性能,准确率分别比CNN和DNN高了2.35%和5.29%,F1分别比CNN和DNN高了3.70%和6.26%。因此,本发明与其它常用的绝缘子状态评估方法相比,具有优异的泛化能力,能更精确识别绝缘子缺陷状态。
本申请实施例通过对深度森林模型进行改进,通过逐级串联XGBoost,实现了深度学习的多层表达效果,且运算效率高。此外,为避免繁琐、耗时的人工调参过程,引入麻雀搜索算法自动确定改进深度森林的最优超参数,进一步增加绝缘子状态评估模型的工程实用性。本发明应用于绝缘子状态评估,评估精度高,便于电力部门快速排查缺陷绝缘子,切实保障电网安全运行。
本申请实施例还提供了一种基于改进深度森林的绝缘子状态评估***,包括:绝缘子数据集构建模块,改进深度森林训练模块、绝缘子状态评估模型构建模块和在线绝缘子状态评估模块;
其中,绝缘子数据集构建模块用于广泛收集无人机巡检过程拍摄的绝缘子照片,并通过旋转、裁剪、改变亮度和高斯模糊等方法扩充绝缘子照片数量,得到丰富多样的绝缘子数据集;
改进深度森林训练模块用于利用绝缘子训练数据对改进深度森林进行迭代训练,建立绝缘子照片与绝缘子状态之间的非线性映射关系;
绝缘子状态评估模型构建模块用于采用麻雀搜索算法确定改进深度森林的最佳超参数,使得改进深度森林的评估性能在测试数据上达到最优,进而得到绝缘子状态评估模型;
在线绝缘子状态评估模块用于在线获取的待评估绝缘子照片传输给绝缘子状态评估模型,输出待评估绝缘子的状态,辅助电力部门判断是否要对绝缘子进行更换。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的绝缘子状态识别方法的绝缘子状态识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个绝缘子状态识别装置实施例中的具体限定可以参见上文中对于绝缘子状态识别方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种绝缘子状态识别装置800,包括:获取模块802、运算模块804和识别模块806,所述装置包括:
获取模块802,用于获取待识别图像;待识别图像为包括绝缘子的图像;
运算模块804,用于建立初始绝缘子状态识别模型,使用预设的优化算法得到初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,初始绝缘子状态识别模型806包括互相串联的多个级联层,级联层包括多个目标识别单元,目标识别单元包括XGBoost单元;超参数包括级联层的最大数量、目标识别单元的学习率、目标绝缘子状态识别模型的迭代次数和目标绝缘子状态识别模型的最大深度中的至少一项;
识别模块806,用于通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息;状态信息用于确定待识别图像中的绝缘子是否存在故障。
在一个实施例中,运算模块804还用于:获取原始绝缘子图像,对原始绝缘子图像进行预处理,得到预处理后的绝缘子图像;其中,预处理包括旋转、裁剪、调整亮度和高斯模糊中的至少一种;对原始绝缘子图像和预处理后的绝缘子图像进行归一化处理,得到归一化后的绝缘子图像;将归一化后的绝缘子图像按预设比例划分为训练图像和测试图像,得到训练图像集和测试图像集,其中,训练图像集用于训练初始绝缘子状态识别模型,测试图像集用于验证目标绝缘子状态识别模型的准确性。
在一个实施例中,运算模块804还用于:采用预设的滑动窗对训练图像进行扫描,得到训练图像的二维特征图;将二维特征图分别输入第一级联层中的各目标识别单元,获得与训练图像中的绝缘子状态相对应的各个类分布向量;其中,第一级联层是互相串联的多个级联层中的起始级联层;拼接各类分布向量,得到原始特征向量,并根据原始特征向量构建各级联层的级联输入向量。
在一个实施例中,运算模块804还用于:将级联输入向量输入第二级联层,得到第二类分布向量和第二类分布向量对应的第一预测精度;将第二类分布向量与原始特征向量连接,输入第三级联层,得到第三类分布向量和第三类分布向量对应的第二预测精度;当第二预测精度满足预设条件时,以第三级联层作为目标识别模型的最后一个级联层;其中,第二级联层与第三级联层为相邻的两个级联层。
在一个实施例中,预设优化算法为麻雀搜索算法,运算模块804还用于:根据超参数的变量维度确定麻雀搜索算法的参数和搜索范围;其中,麻雀搜索算法的参数包括麻雀总数目、发现者和侦察者的比例、预警值和最大迭代次数;其中,最大迭代次数为麻雀个体调整位置的最大次数;计算在搜索范围内麻雀个体的全局最优适应度和每个麻雀个体的适应度;根据各个麻雀个体的位置和适应度按预设规则调整各个麻雀个体的位置;当迭代次数达到最大迭代次数时,以具有最大适应度的麻雀个体所对应的超参数作为目标绝缘子状态识别模型的超参数。
在一个实施例中,在使用预设的优化算法得到初始绝缘子状态识别模型的超参数之后,运算模块804还用于:将测试图像集输入目标绝缘子状态识别模型中,获取识别结果;获取识别结果中被正确识别的绝缘子图像数量、被正确识别的绝缘子图像中绝缘子的状态、被错误识别的绝缘子图像数量和被错误识别的绝缘子图像中绝缘子的状态;根据识别结果确定目标绝缘子状态识别模型的准确率和平衡分数,当准确率和平衡分数处于预设区间内时,输出目标绝缘子状态识别模型。
上述绝缘子状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力***的相关数据,例如绝缘子图像和目标绝缘子识别模型的相关代码等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种绝缘子状态识别方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种绝缘子状态识别方法,其特征在于,所述方法包括:
获取待识别图像,所述待识别图像为包括绝缘子的图像;
建立初始绝缘子状态识别模型,使用预设的优化算法得到所述初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,所述初始绝缘子状态识别模型包括互相串联的多个级联层,所述级联层包括多个目标识别单元,所述目标识别单元包括XGBoost单元;所述超参数包括所述级联层的最大数量、所述目标识别单元的学习率、所述目标绝缘子状态识别模型的迭代次数和所述目标绝缘子状态识别模型的最大深度中的至少一项;
通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息,所述状态信息用于确定所述待识别图像中的绝缘子是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取原始绝缘子图像,对所述原始绝缘子图像进行预处理,得到预处理后的绝缘子图像;其中,所述预处理包括旋转、裁剪、调整亮度和高斯模糊中的至少一种;
对所述原始绝缘子图像和所述预处理后的绝缘子图像进行归一化处理,得到归一化后的绝缘子图像;
将所述归一化后的绝缘子图像按预设比例划分为训练图像和测试图像,得到训练图像集和测试图像集,其中,所述训练图像集用于训练所述初始绝缘子状态识别模型,所述测试图像集用于验证所述目标绝缘子状态识别模型的准确性。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
采用预设的滑动窗对所述训练图像进行扫描,得到所述训练图像的二维特征图;
将所述二维特征图分别输入第一级联层中的各目标识别单元,获得与所述训练图像中的绝缘子状态相对应的各个类分布向量;其中,所述第一级联层是所述互相串联的多个级联层中的起始级联层;
拼接各所述类分布向量,得到原始特征向量,并根据所述原始特征向量构建所述各级联层的级联输入向量。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述级联输入向量输入第二级联层,得到第二类分布向量和所述第二类分布向量对应的第一预测精度;
将所述第二类分布向量与所述原始特征向量连接,输入第三级联层,得到第三类分布向量和所述第三类分布向量对应的第二预测精度;
当所述第二预测精度满足预设条件时,以所述第三级联层作为所述目标识别模型的最后一个级联层;其中,所述第二级联层与所述第三级联层为相邻的两个级联层。
5.根据权利要求1所述的方法,其特征在于,所述预设优化算法为麻雀搜索算法,所述用预设的优化算法得到所述初始绝缘子状态识别模型的超参数,包括:
根据所述超参数的变量维度确定所述麻雀搜索算法的参数和搜索范围;其中,所述麻雀搜索算法的参数包括麻雀总数目、发现者和侦察者的比例、预警值和最大迭代次数;其中,所述最大迭代次数为麻雀个体调整位置的最大次数;
计算在所述搜索范围内所述麻雀个体的全局最优适应度和每个所述麻雀个体的适应度;根据各个麻雀个体的位置和适应度按预设规则调整各个麻雀个体的位置;
当所述迭代次数达到所述最大迭代次数时,以具有最大适应度的麻雀个体所对应的超参数作为所述目标绝缘子状态识别模型的超参数。
6.根据权利要求1所述的方法,其特征在于,在所述使用预设的优化算法得到所述初始绝缘子状态识别模型的超参数之后,所述方法还包括:
将所述测试图像集输入所述目标绝缘子状态识别模型中,获取识别结果;
获取所述识别结果中被正确识别的绝缘子图像数量、被正确识别的绝缘子图像中绝缘子的状态、被错误识别的绝缘子图像数量和被错误识别的绝缘子图像中绝缘子的状态;
根据所述识别结果确定所述目标绝缘子状态识别模型的准确率和平衡分数,当所述准确率和所述平衡分数处于预设区间内时,输出所述目标绝缘子状态识别模型。
7.一种绝缘子状态识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别图像;所述待识别图像为包括绝缘子的图像;
运算模块,用于建立初始绝缘子状态识别模型,使用预设的优化算法得到所述初始绝缘子状态识别模型的超参数,得到目标绝缘子状态识别模型;其中,所述初始绝缘子状态识别模型包括互相串联的多个级联层,所述级联层包括多个目标识别单元,所述目标识别单元包括XGBoost单元;所述超参数包括所述级联层的最大数量、所述目标识别单元的学习率、所述目标绝缘子状态识别模型的迭代次数和所述目标绝缘子状态识别模型的最大深度中的至少一项;
识别模块,用于通过目标绝缘子状态识别模型获得待识别图像中绝缘子的状态信息;所述状态信息用于确定所述待识别图像中的绝缘子是否存在故障。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164985.7A CN117152528A (zh) | 2023-09-08 | 2023-09-08 | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164985.7A CN117152528A (zh) | 2023-09-08 | 2023-09-08 | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152528A true CN117152528A (zh) | 2023-12-01 |
Family
ID=88909735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164985.7A Pending CN117152528A (zh) | 2023-09-08 | 2023-09-08 | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853923A (zh) * | 2024-01-17 | 2024-04-09 | 山东盛然电力科技有限公司 | 一种电网电力基础设施安全性评估分析方法以及装置 |
-
2023
- 2023-09-08 CN CN202311164985.7A patent/CN117152528A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853923A (zh) * | 2024-01-17 | 2024-04-09 | 山东盛然电力科技有限公司 | 一种电网电力基础设施安全性评估分析方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334765B (zh) | 基于注意力机制多尺度深度学习的遥感影像分类方法 | |
CN108764308B (zh) | 一种基于卷积循环网络的行人重识别方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、***、装置 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** | |
CN110569901A (zh) | 一种基于通道选择的对抗消除弱监督目标检测方法 | |
CN109902018B (zh) | 一种智能驾驶***测试案例的获取方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111611889B (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111985325A (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
CN117152528A (zh) | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 | |
CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN113987236A (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
CN114140663A (zh) | 一种基于多尺度注意力学习网络的害虫识别方法及*** | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
CN115018884A (zh) | 基于多策略融合树的可见光红外视觉跟踪方法 | |
CN114821248A (zh) | 面向点云理解的数据主动筛选标注方法和装置 |
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 |