一种基于红外图像和机器学习的绝缘子故障诊断方法与流程

技术特征：
1.一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述方法包括以下步骤：步骤s1：进行样本准备；步骤s2：进行绝缘子红外图像预训练；步骤s3：进行空间金字塔池化操作；步骤s4：进行识别和检测；步骤s5：进行网络训练；步骤s6:进行绝缘子红外图像状态判别。2.根据权利要求1所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s1包括如下子步骤：步骤s11：通过现场拍摄和采集绝缘子红外图像步骤s12：对数据进行如下标准化处理，式中：为第i张原始图像的均值，为原始图像的标准差，为标准化之后的图像；步骤s13：对进行随机旋转角度处理进得到x
i
，提高模型的鲁棒性，同时可增加样本量；步骤s14：对x
i
提取r、g、b三通道分量，分别记为v
ri
,v
gi
,v
bi
；步骤s15：进行绝缘子红外图像数据集标注，记y
i
为如果第i张图像x
i
里绝缘子是否有故障的标签，如有故障，则标签为y
i
＝1，否则标签y
i
＝0y
i
＝0；步骤s16：对红外图像x
i
，在绝缘子红外x
i
图像中，寻找过热区域，提取过热区域作为种子seed，其在图像x
i
中坐标为(x
seed
,y
seed
)，其对应的rgb三通道分量值为v
ri
(x
seed
,y
seed
)，v
gi
(x
seed
,y
seed
)，v
bi
(x
seed
,y
seed
)；步骤s17：分别在r、g、b三个通道中，计算以种子为中心的8个方向(垂直、水平以及两个对角方向)的差值，以r通道为例：r通道水平方向：dv
rh,1
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed
1,y
seed
)dv
rh,2
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed-1,y
seed
)r通道平方向：dv
rv,1
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed
,y
seed
1)dv
rv,2
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed
,y
seed-1)r通道水平方向：dv
rs,1
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed-1,y
seed-1)dv
rs,2
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed-1,y
seed
1)dv
rs,3
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed
1,y
seed-1)dv
rs,4
＝v
r
(x
seed
,y
seed
)-v
r
(x
seed
1,y
seed
1)
同理可得g、b两个通道上八个方向的差；步骤s18：计算八个方向与种子点的欧式距离：dv1＝dv
rh,12
dv
gh,12
dv
bh,12
dv2＝dv
rh,22
dv
gh,22
dv
bh,22
dv3＝dv
rv,32
dv
gv,32
dv
bv,32
dv4＝dv
rv,42
dv
gv,42
dv
bv,42
dv5＝dv
rs,12
dv
gs,12
dv
bs,12
dv6＝dv
rs,22
dv
gs,22
dv
bs,22
dv7＝dv
rs,32
dv
gs,32
dv
bs,32
dv8＝dv
rs,42
dv
gs,42
dv
bs,42
；步骤s19：设置阈值δ，如果max(dv
ri
,i∈{1,2,...,8})≤δ，则将该点与种子点合并，否则将该点与种子点分割。3.根据权利要求2所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s2包括如下子步骤：步骤s21：每次从训练集取y张缘子红外图像，对绝缘子红外图像x
i
通过cnn自编码网络进行无监督学习；y为正整数；步骤s22：去掉cnn自编码器的decoder部分，只保留cnn自编码器的encoder部分。4.根据权利要求3所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s3包括如下子步骤：步骤s31：将cnn自编码器的encoder部分的第四层卷积层的输出分别分割成三个不同尺寸的网格，并在三个不同尺寸的大小图像里设置候选区域d1，d2，其中d1为绝缘子区域，d2为非绝缘子区域；步骤s32：为了突出绝缘子的边缘以及故障特征，对三个不同尺寸的大小图像进行max池化操作，得到x
16
,x4,x4三个特征。5.根据权利要求4所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s4包括如下子步骤：步骤s41：将x
16
,x4,x1三个特征通过一个全连接网络net
c
，并对其进行大小调整，得到类别特征矩阵x
c
，即：x
c
＝relu(w
c
[x
16
,x4,x1]' b
c
)其中w
c
和b
c
为全连接网络net
c
的权重和偏置；步骤s42：将x
c
通过softmax得到包含每个类的预测分数，即计算每个区域中各个类别的概率，具体形式如下：其中c1，c2分别表示绝缘子正常的红外图像和故障图像，x
c
为类别特征矩阵，[s
class
(x
c
)]
ij
为对于第c
i
,i∈{1,2}类而言，金字塔池化后的列向量x
c
(i,:)属于第i个类的概率，x
c
(i,:)为x
c
的第i行，为x
c
的第i行第j元素；
步骤s43：将x
16
,x4,x1三个特征通过一个全连接网络net
d
，并将大小调整至2*256，得到类别特征矩阵x
d
，即：x
d
＝relu(w
d
[x
16
,x4,x1]' b
d
)其中w
d
和b
d
为全连接网络net
d
的权重和偏置；步骤s44：将x
d
通过softmax得到包含每个类的预测分数，即计算每个区域中正常和故障类别的概率，具体形式如下：其中r1，r2分别表示绝缘子区域和非绝缘子区域，x
d
为类别特征矩阵，[s
zone
(x
d
)]
ij
为对于第r
i
,i∈{1,2}类而言，金字塔池化后的列向量x
d
(i,:)属于区域i的概率，x
d
(i,:)为x
c
的第i行，为x
d
的第i行第j元素；步骤s45：将每个类的预测分数和每个区域的预测分数进行卷积，即：这里表示卷积运算，x
r
为每个区域的最终得分；步骤s46：计算整个红外图像故障概率，即：这里y
p
为红外图像级故障概率矩阵，为每个区域的得分x
r
的第j列。6.根据权利要求5所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s5包括如下子步骤：步骤s51：计算损失函数：其中j(w)为网络的损失函数，w为整个网络的权重和偏置矩阵(包括cnn自编码器的encoder、全连接网络net
c
和net
d
)，x＝y
ki
(y
p
(k,i)-0.5) 0.5，这里y
p
(k,i)为红外图像级故障概率矩阵y
p
第k行第i列元素，为正则项，||w||2为权重矩阵的二范数，λ为正则化系数，α控制损失函数的鲁棒性；步骤s52：采用nadam算法更新权重：m
t
＝γm
t-1
ηg
t
w
t 1
＝w
t-m
t
其中w
t 1
和w
t
为第t 1和t次的权重和偏置，m
t
表示第t次的梯度动量，m
t-1
为第t-1次的梯
度动量，γ＝0.6，η＝0.2，g
t
为t-1次的梯度；步骤s53：训练网络直至收敛。7.根据权利要求3所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所所述步骤s6是将新的绝缘子红外图像输入训练好的网络中，如果输出结果大于0.8，则该绝缘子有故障，否则为正常的绝缘子。8.根据权利要求3所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：所述步骤s21中，设置cnn结构和参数如下：9.根据权利要求3所述的一种基于红外图像和机器学习的绝缘子故障诊断方法，其特征在于：λ为正则化系数，取0.2，α控制损失函数的鲁棒性，取0.8。10.一种基于红外图像和机器学习的绝缘子故障诊断装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。

技术总结
本发明公开了一种基于红外图像和机器学习的绝缘子故障诊断方法，将CNN自编码网络在绝缘子红外图像数据集上使用图像分类任务进行预训练，提取绝缘子红外图像区域级的原始特征，接着在最后一层卷积层得到的特征映射层上设置候选区域，然后进行空间金字塔池化操作，通过将空间金字塔池化结果分别经过识别网络和分类网络，并将识别网络和检测网络和结果拼在一起，并经过全连接网络得到预测的绝缘子红外图像故障状态。实现了将红外图像和机器学习技术的有机融合，对绝缘子故障进行精准、高效、智能化地诊断，有效地提高绝缘子在线故障诊断的效率。的效率。的效率。


技术研发人员：陈胜 姬源 覃海 陈智祺 周忠强 张洪略 吴睿 陈知导 汤健东 吕委伦
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2021.09.16
技术公布日：2022/1/28