1.本发明涉及数字电力技术领域，尤其涉及一种基于正样本学习的变电站避雷器破损识别方法及装置。
背景技术：2.随着中国无人值守变电站建设工作的逐步推进，变电站内避雷器破损发现难的问题日益凸显。无人值守变电站具有数量大、分布广等特点，传统的监测手段不能识别避雷器破损情况。电网公司运检人员依赖人工巡检发现避雷器破损情况，该类巡检方式工作量大，占用时间长，同时，由于城区巡检交通拥堵造成的在途时间长等问题，导致变电站巡检耗时较长，不能满足智能电网的需要。
3.现有文献提出了一种基于深度卷积网络的变电站避雷器破损识别方法，通过非线性函数学习避雷器破损样本，提高变电站避雷器识别成功率。此外，现有文献提出了一种基于胶囊改进网络的变电站避雷器破损识别方法，通过对针式、蝶式避雷器破损形态学习，从而提高变电站避雷器识别成功率。现有文献还提出了一种基于yolov2网络的变电站避雷器破损识别方法，通过对多视觉的破损样本训练，提高变电站避雷器识别成功率。现有文献中提出到了一种基于scaled-yolov4的变电站避雷器破损识别方法，通过网络收集的避雷器破损样本库对模型进行训练，提高变电站避雷器识别成功率。
4.由此可见，变电站避雷器破损识别方法多样，但上述方法均采用缺陷样本学习方法进行变电站避雷器破损识别，但中国变电站避雷器破损数量少，现有图片不能覆盖所有的变电站避雷器破损类型，模型的训练效果不佳，不能满足正确识别破损的需要。变电站运维检修人员仍然依赖人工读图的方式发现变电站避雷器破损情况。
5.因此，有必要提供一种基于正样本学习的变电站避雷器破损识别方法及装置来解决上述之一技术问题。
技术实现要素：6.为解决上述技术问题之一，本发明提出一种基于正样本学习的变电站避雷器破损识别方法，包括图像数据采集步骤、图像特征提取步骤、正样本学习步骤和损破识别步骤。
7.具体的，图像数据采集步骤，采集变电站避雷器的图像数据，其中，所述图像数据包括待识别图像数据和正样本标准图像数据。
8.具体的，图像特征提取步骤包括：图像噪声数据过滤，通过噪声过滤算法对输入图像数据进行去噪处理，并得到去噪图像数据；避雷器边缘检测，通过边缘检测算法对输入图像中的避雷器图像进行边缘特征提取，并得到图像边缘特征数据；避雷器图像区域特征提取，通过语意分割算法并结合图像边缘特征数据，对输入图像中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据。
9.具体的，正样本学习步骤包括：高纬特征编码，通过对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据；高纬特征记忆，对正样本
标准高纬特征数据和对应的去噪图像数据进行存储，得到正样本标准图像数据库；高纬特征解码，通过建立正样本学习模型，并通过正样本标准高纬特征数据进行训练，得到正样本重建模型，所述正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片。
10.具体的，破损识别步骤包括：图像对比，采集待识别图像数据和正样本标准图像数据，并分别通过图像特征提取步骤和正样本学习步骤进行处理，再通过图像对比算法计算差异，得到对比相似度；异常样本输出，将对比相似度低于正常样本阈值的图像数据进行输出，得到异常图像数据；异常区域获取，通过对异常图像数据的图像边缘特征数据进行差异对比，得到异常区域数据；避雷器破损输出，根据异常区域数据对异常图像数据进行划分，得到避雷器破损图像数据，并将避雷器破损图像数据进行输出，完成破损识别。
11.作为更进一步的解决方案，所述噪声过滤算法包括图像腐蚀和膨胀形态学计算；
12.所述图像腐蚀用于对输入图像数据进行高亮区域缩减，图像腐蚀表达式为：
[0013][0014]
其中，fa为输入图像数据，j为卷积腐蚀模板，v为卷积模板类型，jv为不同类型的卷积腐蚀模板；
[0015]
所述膨胀形态学计算用于对经过图像腐蚀的输入图像数据进行膨胀去噪处理，得到去噪图像数据；膨胀形态学计算表达式为：
[0016][0017]
其中，fa为输入图像数据，j为卷积膨胀模板，v为卷积模板类型，jv为不同类型的卷积膨胀模板。
[0018]
作为更进一步的解决方案，所述边缘检测算法通过sobel算子边缘检测算法执行，包括获得输入图像数据的一阶梯度，再对输入图像数据四周的灰度加权差进行计算，并检测边缘处的极值；得到图像边缘特征数据。
[0019]
作为更进一步的解决方案，所述语意分割算法通过dfanet网络进行部署；获取输入图像数据高维特征，并保留输入图像数据的空间信息；利用金字塔池化模组处理输入图像数据高维特征，得到图像区域特征数据。
[0020]
作为更进一步的解决方案，所述正样本学习模型通过cnn卷积神经网络进行部署，所述cnn卷积神经网络的正向传播误差ea为：
[0021][0022]
其中，na为训练用图像数据总数量，nb为训练用图像数据的特征维度，si为不同的训练用图像数据，kj为不同的cnn卷积神经网络输出；
[0023]
所述cnn卷积神经网络的反向传播误差ha为：
[0024]
ha＝(ea×
wa)β
×
φ
[0025]
其中，ea正向传播误差，wa为cnn卷积神经网络的层权重，φ为传输灵敏度，β为激活函数。
[0026]
dfanet网络是一种图像分割方法，该方法可以获取变电站避雷器多尺度的特征，同时保留变电站避雷器的空间信息。该方法可以利用避雷器空间上的金字塔池化模组处理避雷器高维特征，减少输入的参数，提高了语义上下文关联度。dfanet网络在避雷器图像分割方面的速度和分割性能平衡度较好，因此，本实施例选用该方法作为图像语义分割方法。
[0027]
作为更进一步的解决方案，所述图像对比算法通过结构相似性图像比较法进行部署，并通过如下公式计算对比相似度：
[0028][0029]
其中，a为正样本标准图像数据，b为待识别图像数据，a
x
为正样本标准图像数据平均值，by为待识别图像数据平均值，λa为正样本标准图像数据的方差，λb为待识别图像数据的方差，λ
ab
为正样本标准图像数据和待识别图像数据的协方差；f1与f2分别为图像比对维持稳定常数。
[0030]
作为更进一步的解决方案，通过如下步骤对正样本标准图像数据进行处理：
[0031]
s1.1采集正常状态下的变电站避雷器图像，作为正样本标准图像数据；
[0032]
s1.2对正样本标准图像数据进行降噪处理，得到正样本标准图像降噪数据；
[0033]
s1.3重复s1.1与s1.2步骤，并对数据进行保存，得到正样本标准图像数据库；
[0034]
s1.4对正样本标准图像数据库进行高维特征编码，得到正样本标准高纬特征；
[0035]
s1.5将正样本标准高纬特征用于正样本学习模型训练，完成训练，得到正样本重建模型。
[0036]
作为更进一步的解决方案，通过如下步骤对待识别图像数据进行处理：
[0037]
s2.1对待识别的变电站避雷器进行实拍，得到待识别图像数据；
[0038]
s2.2对待识别图像数据进行降噪处理，得到待识别图像降噪数据；
[0039]
s2.3对待识别图像降噪数据边缘检测，得到待识别避雷器边缘特征数据；
[0040]
s2.4对待识别图像降噪数据边缘检测结合待识别避雷器边缘特征数据，得到避雷器图像数据，通过对避雷器图像数据进行区域特征提取，得到待识别避雷器区域特征数据；
[0041]
s2.5将待识别避雷器区域特征数据输入正样本重建模型，进行正样本重建，得到正样本重建图片；
[0042]
s2.6将正样本重建图片与待识别图像降噪数据进行差异对比，得到对比相似度；
[0043]
s2.7若对比相似度低于正常样本阈值，则认为是异常样本；并将异常样本输出；
[0044]
s2.8将异常样本输出结合待识别避雷器边缘特征数据，进行异常区域获取，得到避雷器破损输出。
[0045]
一种基于正样本学习的变电站避雷器破损识别系统，包括图像拍摄装置、图像特征提取装置、图像特征学习装置和破损识别装置。
[0046]
具体的，所述图像拍摄装置用于采集变电站避雷器的图像数据，并与图像特征提取装置电性连接，其中，所述图像数据包括待识别图像数据和正样本标准图像数据。
[0047]
具体的，所述图像特征提取装置包括图像噪声数据过滤模块、避雷器边缘检测模块和避雷器图像区域特征提取模块；所述图像噪声数据过滤模块用于对图像拍摄装置采集的变电站避雷器图像数据进行去噪处理，得到去噪图像数据，并分别与破损识别装置、图像
特征学习装置和避雷器边缘检测模块电性连接；所述避雷器边缘检测模块用于对去噪图像数据中的避雷器图像进行边缘特征提取，得到图像边缘特征数据，并分别与破损识别装置和避雷器图像区域特征提取模块电性连接；所述避雷器图像区域特征提取模块根据图像边缘特征数据对去噪图像数据中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据，并与图像特征学习装置电性连接。
[0048]
具体的，所述图像特征学习装置包括高纬特征编码模块、高维特征记忆模块和高纬特征解码模块；所述高纬特征编码模块用于对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据，并与高维特征记忆模块电性连接；所述高维特征记忆模块用于存储正样本标准高纬特征数据和对应的去噪图像数据，得到正样本标准图像数据库；所述高纬特征解码模块包括正样本学习模型和正样本重建模型；所述正样本学习模型通过正样本标准图像数据库获取正样本标准高纬特征数据，并进行训练，得到正样本重建模型；所述正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片，并与破损识别装置电性连接。
[0049]
具体的，所述破损识别装置包括图像对比模块、异常样本输出模块、异常区域获取模块和避雷器破损图像输出模块；所述图像对比模块用于计算正样本重建图片与待识别图像数据之间的对比相似度，并与异常样本输出模块电性连接；所述异常样本输出模块根据对比相似度判断正样本重建图片与待识别图像数据是否为异常样本，得到异常图像数据，并与异常区域获取模块电性连接；所述异常区域获取模块通过对正样本重建图片与异常图像数据的图像边缘特征数据进行比对，得到异常区域数据，并与避雷器破损图像输出模块电性连接；所述避雷器破损图像输出模块根据异常区域数据对异常图像数据进行划分，得到避雷器破损图像数据，并将避雷器破损图像数据的电信号进行输出。
[0050]
作为更进一步的解决方案，所述图像拍摄装置通过监控摄像头/便携式相机/智能手机进行部署；所述图像特征提取装置、图像特征学习装置和破损识别装置均通过图形工作站进行部署。
[0051]
与相关技术相比较，本发明提供的一种基于正样本学习的变电站避雷器破损识别方法具有如下有益效果：
[0052]
为解决变电站避雷器破损样本图片少、图像检测模型识别成功率低的问题，提出了一种基于正样本学习的变电站避雷器破损识别方法。该方法首先进行对滤图像噪声数据，再采用边缘点检测算法判断出变电站避雷器的图像区域；最后采用图像语义分割算法提取变电站避雷器的图像区域数据。在此基础上，采用正常避雷器样本特征数据对卷积神经网络进行训练，获得正确变电站避雷器正样本数据；并将有缺陷的图片和正样本进行比较，识别有差异的特征，有差异的即为避雷器破损区域。
附图说明
[0053]
图1为本发明提供的一种基于正样本学习的变电站避雷器破损识别方法的较佳实施例流程图；
[0054]
图2为本发明提供的一种基于正样本学习的变电站避雷器破损识别方法的较佳实施例步骤图；
[0055]
图3为本发明提供的dfanet网络的较佳实施例网络训练步骤图；
[0056]
图4为本发明提供的一种基于正样本学习的变电站避雷器破损识别装置的较佳实施例结构图。
具体实施方式
[0057]
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0058]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0059]
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0060]
如图1至图4所示，本发明提供的一种基于正样本学习的变电站避雷器破损识别方法，包括图像数据采集步骤、图像特征提取步骤、正样本学习步骤和损破识别步骤。
[0061]
具体的，图像数据采集步骤，采集变电站避雷器的图像数据，其中，图像数据包括待识别图像数据和正样本标准图像数据。
[0062]
具体的，图像特征提取步骤包括：图像噪声数据过滤，通过噪声过滤算法对输入图像数据进行去噪处理，并得到去噪图像数据；避雷器边缘检测，通过边缘检测算法对输入图像中的避雷器图像进行边缘特征提取，并得到图像边缘特征数据；避雷器图像区域特征提取，通过语意分割算法并结合图像边缘特征数据，对输入图像中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据。
[0063]
具体的，正样本学习步骤包括：高纬特征编码，通过对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据；高纬特征记忆，对正样本标准高纬特征数据和对应的去噪图像数据进行存储，得到正样本标准图像数据库；高纬特征解码，通过建立正样本学习模型，并通过正样本标准高纬特征数据进行训练，得到正样本重建模型，正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片。
[0064]
需要说明的是：国家电网有限公司开展了变电站高清视频巡检建设，运维检修人员通过部署在变电站的高清视频摄像头对站内设备进行日常巡视。通过变电站高清视频巡检系统，可提取变电站避雷器图片。变电站避雷器大部分在室外，高清视频摄像头拍摄的避雷器图片中会存在雨水、雪、雾等噪声数据，这些噪声数据对模型识别存在较大的影响，因此，在避雷器识别前，需对图像的噪声数据进行过滤。图像的开运算通过对变电站避雷器图像的图像腐蚀和膨胀形态学计算，来识别变电站避雷器图像中极大和极小区域。从而过滤掉异常信息。
[0065]
具体的，破损识别步骤包括：图像对比，采集待识别图像数据和正样本标准图像数据，并分别通过图像特征提取步骤和正样本学习步骤进行处理，再通过图像对比算法计算差异，得到对比相似度；异常样本输出，将对比相似度低于正常样本阈值的图像数据进行输出，得到异常图像数据；异常区域获取，通过对异常图像数据的图像边缘特征数据进行差异对比，得到异常区域数据；避雷器破损输出，根据异常区域数据对异常图像数据进行划分，
得到避雷器破损图像数据，并将避雷器破损图像数据进行输出，完成破损识别。
[0066]
需要说明的是：在图像特征提取环节，首先对输入的变电站避雷器图像数据进行噪声过滤，消除雨水、雪、雾等噪声数据对避雷器识别的影响，其次，采用边缘点检测算法识别变电站避雷器的图像边缘点。最后，采用图像语义分割算法提取变电站避雷器的图像区域数据，避免无关数据影响图像识别结果。在正样本学习环节，首先采用卷积神经网络对标记为正常变电站避雷器高维特征进行编码，然后高维特征记忆模块对正常数据进行存储，在此基础上，对变电站避雷器高特解码，最后卷积神经网络输出完全基于正常样本特征的正样本重建图片。在破损识别环节，首先将识别的变电站避雷器图片与正样本图片进行比对，输出差异的图片数据；然后，在检测有差异的变电站避雷器的破损图像区域，最后输出变电站避雷器破损结果。
[0067]
作为更进一步的解决方案，噪声过滤算法包括图像腐蚀和膨胀形态学计算；
[0068]
图像腐蚀用于对输入图像数据进行高亮区域缩减，图像腐蚀表达式为：
[0069][0070]
其中，fa为输入图像数据，j为卷积腐蚀模板，v为卷积模板类型，jv为不同类型的卷积腐蚀模板；
[0071]
膨胀形态学计算用于对经过图像腐蚀的输入图像数据进行膨胀去噪处理，得到去噪图像数据；膨胀形态学计算表达式为：
[0072][0073]
其中，fa为输入图像数据，j为卷积膨胀模板，v为卷积模板类型，jv为不同类型的卷积膨胀模板。
[0074]
作为更进一步的解决方案，边缘检测算法通过sobel算子边缘检测算法执行，包括获得输入图像数据的一阶梯度，再对输入图像数据四周的灰度加权差进行计算，并检测边缘处的极值；得到图像边缘特征数据。
[0075]
需要说明的是：图像的边缘检测的目的是简化变电站避雷器图像的信息，采用边缘性来描述变电站避雷器图像所携带的特征信息。sobel算子是一种变电站避雷器图像边缘检测的处理方法，首先获得避雷器图像的一阶梯度，然后将四周的灰度加权差进行计算，从而检测到边缘处的极值。
[0076]
作为更进一步的解决方案，语意分割算法通过dfanet网络进行部署；获取输入图像数据高维特征，并保留输入图像数据的空间信息；利用金字塔池化模组处理输入图像数据高维特征，得到图像区域特征数据。
[0077]
作为更进一步的解决方案，正样本学习模型通过cnn卷积神经网络进行部署，cnn卷积神经网络的正向传播误差ea为：
[0078][0079]
其中，na为训练用图像数据总数量，nb为训练用图像数据的特征维度，si为不同的训练用图像数据，kj为不同的cnn卷积神经网络输出；
[0080]
cnn卷积神经网络的反向传播误差ha为：
[0081]
ha＝(ea×
wa)β
×
φ
[0082]
其中，ea正向传播误差，wa为cnn卷积神经网络的层权重，φ为传输灵敏度，β为激活函数。
[0083]
需要说明的是：在变电站避雷器图像中，部分区域无需监控，需采用语义分割算法将变电站避雷器的图像提取出来，降低周围环境对算法的影响。
[0084]
作为更进一步的解决方案，图像对比算法通过结构相似性图像比较法进行部署，并通过如下公式计算对比相似度：
[0085][0086]
其中，a为正样本标准图像数据，b为待识别图像数据，a
x
为正样本标准图像数据平均值，by为待识别图像数据平均值，λa为正样本标准图像数据的方差，λb为待识别图像数据的方差，λ
ab
为正样本标准图像数据和待识别图像数据的协方差；f1与f2分别为图像比对维持稳定常数。
[0087]
需要说明的是：正样本学习的目的是为了解决因变电站避雷器破损图像数据少，而导致缺陷识别正确率低的问题。在图像识别模型中，建立了正确的样本数据，当图像出现异常时，即可判断避雷器的问题。
[0088]
卷积神经网络(convolutional neural networks,cnn)是一种深度前馈神经学习网络，该网络隐含层和层间连接的稀疏性，可使cnn网络对变电站避雷器的数据点格化特征记录。
[0089]
正样本学习中，首先将标记为正常图片的变电站避雷器图片输入cnn网络，并进行高维特征编码，然后，采用高维特征记忆模块对正常数据进行存储，记忆为变电站避雷器正样本图片库。然后，采用cnn网络对变电站避雷器高特解码，并输出正常样本特征的正样本重建图片。
[0090]
作为更进一步的解决方案，通过如下步骤对正样本标准图像数据进行处理：
[0091]
s1.1采集正常状态下的变电站避雷器图像，作为正样本标准图像数据；
[0092]
s1.2对正样本标准图像数据进行降噪处理，得到正样本标准图像降噪数据；
[0093]
s1.3重复s1.1与s1.2步骤，并对数据进行保存，得到正样本标准图像数据库；
[0094]
s1.4对正样本标准图像数据库进行高维特征编码，得到正样本标准高纬特征；
[0095]
s1.5将正样本标准高纬特征用于正样本学习模型训练，完成训练，得到正样本重建模型。
[0096]
作为更进一步的解决方案，通过如下步骤对待识别图像数据进行处理：
[0097]
s2.1对待识别的变电站避雷器进行实拍，得到待识别图像数据；
[0098]
s2.2对待识别图像数据进行降噪处理，得到待识别图像降噪数据；
[0099]
s2.3对待识别图像降噪数据边缘检测，得到待识别避雷器边缘特征数据；
[0100]
s2.4对待识别图像降噪数据边缘检测结合待识别避雷器边缘特征数据，得到避雷器图像数据，通过对避雷器图像数据进行区域特征提取，得到待识别避雷器区域特征数据；
[0101]
s2.5将待识别避雷器区域特征数据输入正样本重建模型，进行正样本重建，得到
正样本重建图片；
[0102]
s2.6将正样本重建图片与待识别图像降噪数据进行差异对比，得到对比相似度；
[0103]
s2.7若对比相似度低于正常样本阈值，则认为是异常样本；并将异常样本输出；
[0104]
s2.8将异常样本输出结合待识别避雷器边缘特征数据，进行异常区域获取，得到避雷器破损输出。
[0105]
需要说明的是：变电站避雷器破损识别将当前提取高清视频摄像头中的避雷器特征数据与正样本图片进行比对，判断避雷器是否存在破损的情况。结构相似性图像比较法(structural similarity,ssim)是一种变电站避雷器图像比较的方法，该方法通过避雷器结构相似度指数进行比较，可消除图片亮度、对比度对图像识别的影响。然后，依据图像特征提取步骤检测变电站避雷器破损边缘点数据，并输出变电站避雷器破损结果图片。
[0106]
一种基于正样本学习的变电站避雷器破损识别系统，包括图像拍摄装置、图像特征提取装置、图像特征学习装置和破损识别装置。
[0107]
具体的，图像拍摄装置用于采集变电站避雷器的图像数据，并与图像特征提取装置电性连接，其中，图像数据包括待识别图像数据和正样本标准图像数据。
[0108]
具体的，图像特征提取装置包括图像噪声数据过滤模块、避雷器边缘检测模块和避雷器图像区域特征提取模块；图像噪声数据过滤模块用于对图像拍摄装置采集的变电站避雷器图像数据进行去噪处理，得到去噪图像数据，并分别与破损识别装置、图像特征学习装置和避雷器边缘检测模块电性连接；避雷器边缘检测模块用于对去噪图像数据中的避雷器图像进行边缘特征提取，得到图像边缘特征数据，并分别与破损识别装置和避雷器图像区域特征提取模块电性连接；避雷器图像区域特征提取模块根据图像边缘特征数据对去噪图像数据中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据，并与图像特征学习装置电性连接。
[0109]
具体的，图像特征学习装置包括高纬特征编码模块、高维特征记忆模块和高纬特征解码模块；高纬特征编码模块用于对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据，并与高维特征记忆模块电性连接；高维特征记忆模块用于存储正样本标准高纬特征数据和对应的去噪图像数据，得到正样本标准图像数据库；高纬特征解码模块包括正样本学习模型和正样本重建模型；正样本学习模型通过正样本标准图像数据库获取正样本标准高纬特征数据，并进行训练，得到正样本重建模型；正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片，并与破损识别装置电性连接。
[0110]
具体的，破损识别装置包括图像对比模块、异常样本输出模块、异常区域获取模块和避雷器破损图像输出模块；图像对比模块用于计算正样本重建图片与待识别图像数据之间的对比相似度，并与异常样本输出模块电性连接；异常样本输出模块根据对比相似度判断正样本重建图片与待识别图像数据是否为异常样本，得到异常图像数据，并与异常区域获取模块电性连接；异常区域获取模块通过对正样本重建图片与异常图像数据的图像边缘特征数据进行比对，得到异常区域数据，并与避雷器破损图像输出模块电性连接；避雷器破损图像输出模块根据异常区域数据对异常图像数据进行划分，得到避雷器破损图像数据，并将避雷器破损图像数据的电信号进行输出。
[0111]
作为更进一步的解决方案，图像拍摄装置通过监控摄像头/便携式相机/智能手机
进行部署；图像特征提取装置、图像特征学习装置和破损识别装置均通过图形工作站进行部署。
[0112]
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
技术特征：1.一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，包括图像数据采集步骤、图像特征提取步骤、正样本学习步骤和损破识别步骤；图像数据采集步骤，采集变电站避雷器的图像数据，其中，所述图像数据包括待识别图像数据和正样本标准图像数据；图像特征提取步骤包括：图像噪声数据过滤，通过噪声过滤算法对输入图像数据进行去噪处理，并得到去噪图像数据；避雷器边缘检测，通过边缘检测算法对输入图像中的避雷器图像进行边缘特征提取，并得到图像边缘特征数据；避雷器图像区域特征提取，通过语意分割算法并结合图像边缘特征数据，对输入图像中避雷器图像进行区域划分和区域特征提取，得到图像区域特征数据；正样本学习步骤包括：高纬特征编码，通过对正样本标准图像数据对应的去噪图像数据进行高纬特征编码，得到正样本标准高纬特征数据；高纬特征记忆，对正样本标准高纬特征数据和对应的去噪图像数据进行存储，得到正样本标准图像数据库；高纬特征解码，通过建立正样本学习模型，并通过正样本标准高纬特征数据进行训练，得到正样本重建模型，所述正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解码重建，得到正样本重建图片；破损识别步骤包括：图像对比，采集待识别图像数据和正样本标准图像数据，并分别通过图像特征提取步骤和正样本学习步骤进行处理，再通过图像对比算法计算差异，得到对比相似度；异常样本输出，将对比相似度低于正常样本阈值的图像数据进行输出，得到异常图像数据；异常区域获取，通过对异常图像数据的图像边缘特征数据进行差异对比，得到异常区域数据；避雷器破损输出，根据异常区域数据对异常图像数据进行划分，得到避雷器破损图像数据，并将避雷器破损图像数据进行输出，完成破损识别。2.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述噪声过滤算法包括图像腐蚀和膨胀形态学计算；所述图像腐蚀用于对输入图像数据进行高亮区域缩减，图像腐蚀表达式为：其中，fa为输入图像数据，j为卷积腐蚀模板，v为卷积模板类型，jv为不同类型的卷积腐蚀模板；所述膨胀形态学计算用于对经过图像腐蚀的输入图像数据进行膨胀去噪处理，得到去噪图像数据；膨胀形态学计算表达式为：其中，fa为输入图像数据，j为卷积膨胀模板，v为卷积模板类型，jv为不同类型的卷积膨胀模板。3.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述边缘检测算法通过sobel算子边缘检测算法执行，包括获得输入图像数据的一阶梯度，再对输入图像数据四周的灰度加权差进行计算，并检测边缘处的极值；得到图像边缘特征数据。4.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征
在于，所述语意分割算法通过dfanet网络进行部署；获取输入图像数据高维特征，并保留输入图像数据的空间信息；利用金字塔池化模组处理输入图像数据高维特征，得到图像区域特征数据。5.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述正样本学习模型通过cnn卷积神经网络进行部署，所述cnn卷积神经网络的正向传播误差ea为：其中，n
a
为训练用图像数据总数量，n
b
为训练用图像数据的特征维度，s
i
为不同的训练用图像数据，k
j
为不同的cnn卷积神经网络输出；所述cnn卷积神经网络的反向传播误差h
a
为：h
a
＝(e
a
×
w
a
)β
×
φ其中，ea正向传播误差，w
a
为cnn卷积神经网络的层权重，φ为传输灵敏度，β为激活函数。6.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，所述图像对比算法通过结构相似性图像比较法进行部署，并通过如下公式计算对比相似度：其中，a为正样本标准图像数据，b为待识别图像数据，a
x
为正样本标准图像数据平均值，b
y
为待识别图像数据平均值，λ
a
为正样本标准图像数据的方差，λ
b
为待识别图像数据的方差，λ
ab
为正样本标准图像数据和待识别图像数据的协方差；f1与f2分别为图像比对维持稳定常数。7.根据权利要求1至权利要求6任一项所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，通过如下步骤对正样本标准图像数据进行处理：s1.1采集正常状态下的变电站避雷器图像，作为正样本标准图像数据；s1.2对正样本标准图像数据进行降噪处理，得到正样本标准图像降噪数据；s1.3重复s1.1与s1.2步骤，并对数据进行保存，得到正样本标准图像数据库；s1.4对正样本标准图像数据库进行高维特征编码，得到正样本标准高纬特征；s1.5将正样本标准高纬特征用于正样本学习模型训练，完成训练，得到正样本重建模型。8.根据权利要求7所述的一种基于正样本学习的变电站避雷器破损识别方法，其特征在于，通过如下步骤对待识别图像数据进行处理：s2.1对待识别的变电站避雷器进行实拍，得到待识别图像数据；s2.2对待识别图像数据进行降噪处理，得到待识别图像降噪数据；s2.3对待识别图像降噪数据边缘检测，得到待识别避雷器边缘特征数据；s2.4对待识别图像降噪数据边缘检测结合待识别避雷器边缘特征数据，得到避雷器图
像数据，通过对避雷器图像数据进行区域特征提取，得到待识别避雷器区域特征数据；s2.5将待识别避雷器区域特征数据输入正样本重建模型，进行正样本重建，得到正样本重建图片；s2.6将正样本重建图片与待识别图像降噪数据进行差异对比，得到对比相似度；s2.7若对比相似度低于正常样本阈值，则认为是异常样本；并将异常样本输出；s2.8将异常样本输出结合待识别避雷器边缘特征数据，进行异常区域获取，得到避雷器破损输出。9.一种基于正样本学习的变电站避雷器破损识别装置，其特征在于，包括图像拍摄装置、图像特征提取装置、图像特征学习装置和破损识别装置；所述图像拍摄装置与图像特征提取装置电性连接；所述图像特征提取装置、图像特征学习装置和破损识别装置之间分别进行电性连接；所述图像特征提取装置包括图像噪声数据过滤模块、避雷器边缘检测模块和避雷器图像区域特征提取模块；所述图像噪声数据过滤模块与避雷器边缘检测模块电性连接；所述避雷器边缘检测模块与避雷器图像区域特征提取模块电性连接；所述图像特征学习装置包括高纬特征编码模块、高维特征记忆模块和高纬特征解码模块；所述高纬特征编码模块与高维特征记忆模块电性连接；所述高维特征记忆模块与高纬特征解码模块电性连接；所述破损识别装置包括图像对比模块、异常样本输出模块、异常区域获取模块和避雷器破损图像输出模块；所述图像对比模块与异常样本输出模块电性连接；所述异常样本输出模块与异常区域获取模块电性连接；所述异常区域获取模块与避雷器破损图像输出模块电性连接；所述避雷器破损图像输出模块作为变电站避雷器破损识别装置的整体输出模块，通过数据线接口，将得到的电信号对外输出。10.根据权利要求9所述的一种基于正样本学习的变电站避雷器破损识别装置，其特征在于，所述图像拍摄装置通过监控摄像头/便携式相机/智能手机进行部署；所述图像特征提取装置、图像特征学习装置和破损识别装置均通过图形工作站进行部署。
技术总结本发明提供的一种基于正样本学习的变电站避雷器破损识别方法及装置，涉及数字电力技术领域。为解决变电站避雷器破损样本图片少、图像检测模型识别成功率低的问题，提出了一种基于正样本学习的变电站避雷器破损识别方法。该方法首先进行对滤图像噪声数据，再采用边缘点检测算法判断出变电站避雷器的图像区域；最后采用图像语义分割算法提取变电站避雷器的图像区域数据。在此基础上，采用正常避雷器样本特征数据对卷积神经网络进行训练，获得正确变电站避雷器正样本数据；并将有缺陷的图片和正样本进行比较，识别有差异的特征，有差异的即为避雷器破损区域。即为避雷器破损区域。即为避雷器破损区域。
技术研发人员：唐冬来 李科峰 陈文康 杨梅 钟声 陈泽宇 谢飞 龚奕宇 聂潇 康乐 钟旭 付世峻 李擎宇 周鹏
受保护的技术使用者：四川思极科技有限公司
技术研发日：2022.04.12
技术公布日：2022/7/5
