一种基于伪缺陷空间生成的电力设备缺陷检测方法

1.本发明涉及电力设备检测技术领域，主要涉及一种基于伪缺陷空间生成的电力设备缺陷检测方法。


背景技术：

2.电力设备缺陷种类繁多，这些缺陷影响着电网的供电质量，若不能得到及时的修复，长此以往有可能会造成重大的安全隐患，甚至演变成严重电力事故。随着智能电网的发展和新能源并网政策的有序化展开，对电力设备的可靠、稳定运行提出更高要求，因此，快速准确地进行电力设备缺陷检测至关重要。
[0003] 近年来，人工智能算法跨越式发展，被广泛应用于各个领域。结合巡检可见光图像与深度学习的计算机视觉技术是目前电力设备缺陷检测的发展趋势。 cn112036463a公开了“一种基于深度学习的电力设备缺陷检测识别方法，其包括对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；对数据集进行数据增强以增加样本丰富度；基于mobilenet-ssd评判机制和变电站中设备油液渗漏图像数据集进行模型训练；将待检测变电站设备图像输入s3所得模型中，进行油液渗漏故障诊断识别。本发明在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值”。由于电力行业的特殊性，某些电力设备缺陷样本数量较少，现有基于深度学习的电力图像缺陷检测方法容易出现过拟合和陷入局部最优解等现象；同时，光照、无人机的抖动以及复杂的天气情况都会影响图像的质量，拍摄角度、远近的不易掌控也为电力设备缺陷的精确检测带来了困难，尤其是当目标缺陷较为隐蔽，或与周围背景具有相似纹理时，复杂背景中不和谐、像素形态突变的地方，很容易被卷积神经网络（cnn）视为可疑缺陷，给模型判断带来极大干扰，导致模型对于难分样本容易造成误判；且ssd算法是一种one-stage方法，虽然大大减小了模型的参数大小，提升了模型的计算效率，但模型的识别结果准确率不足。


技术实现要素：

[0004]
为了解决现有技术所存在的上述问题，本技术提供了一种基于伪缺陷空间生成的电力设备缺陷检测方法。
[0005]
本技术的技术方案如下：一种基于伪缺陷空间生成的电力设备缺陷检测方法，具体包括以下步骤：收集若干电力设备正常图像与缺陷图像并对所有图像进行预处理；选取若干预处理后的正常图像进行图像变换操作，生成并选取与正常图像具有差异的若干伪缺陷图像；将预处理后的正常图像、缺陷图像及生成的伪缺陷图像的三个集合按同比例划分
训练集和测试集；构建电力设备缺陷检测模型，所述电力设备缺陷检测模型包括特征提取层；以缩小预测样本与真实样本的误差获得分类结果为目标构建一分类性能评估函数，以增大类间差距缩小类内差距优化分类结果为目标构建一区域解耦评估函数，对分类性能评估函数和区域解耦评估函数线性加权融合获得整体目标优化函数；进行电力设备缺陷检测模型预前向传播，得到每个样本的分类损失，将所述分类损失大于阈值ε的伪缺陷图像标记为边缘伪缺陷样本；将所述训练集中的正常图像、缺陷图像、伪缺陷图像输入电力设备缺陷检测模型，根据整体目标优化函数对电力设备缺陷模型进行迭代训练，在进行若干次迭代训练后以缓解过拟合帮助模型突破训练瓶颈为目标利用所述边缘伪缺陷样本引入弱监督缺陷遮盖策略进行训练，直至模型收敛时，迭代终止，得到训练完成的电力设备缺陷检测模型，并在测试集上测试所述电力设备缺陷检测模型性能；将待检测的电力设备图像输入至电力设备缺陷检测模型进行缺陷检测。
[0006]
优选的，所述预处理为以加快模型收敛速度为目标对图像进行标准化白化处理，具体公式为：式中：为图像像素函数，为像素均值；x为图像像素矩阵；为图像像素正态分布标准差，σ为标准方差；n1为图像的像素数量；优选的，所述图像变换操作具体步骤为：从预处理后的正常图像中剪切一个随机长宽比的矩形区域，旋转所选矩形区域中的像素值，再粘贴回剪切前的图像的任意位置；所述图像变换操作具体步骤需满足：其中，l’、w’为所述随机长宽比矩形区域的长和宽，l
ori1
、w
ori1
为正常图像的长和宽。
[0007]
优选的，所述特征提取层可以为alexnet、vgg、resnet或inceptionnet网络。
[0008]
优选的，所述构建一区域解耦评估函数具体步骤为：将训练集中的正常图像、缺陷图像、伪缺陷图像输入至电力设备缺陷检测模型，通过特征提取层输出正常图像特征向量、缺陷图像特征向量以及伪缺陷图像特征向量；将所述正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量进行两两配对并利用对比学习进行解耦，增大正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量群中心之间的距离，即满足：
其中，n1、n2、n3分别为正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量的个数，nori为第i个正常图像特征向量，dej为第j个缺陷图像特征向量，fabk为第k个伪缺陷图像特征向量，||*，*||2为向量的二范数计算；缩小伪缺陷图像特征向量群在空间上的群内欧式距离，即满足：其中，n3为伪缺陷图像特征向量的个数，fabk为第k个伪缺陷图像特征向量，为伪缺陷图像特征向量的均值向量；综合考虑增大类间差距缩小类内差距优化分类结果的目标，区域解耦评估函数表示为：其中，l
decoup
为区域解耦评估函数，n1、n2、n3分别为正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量的个数，nori为第i个正常图像特征向量，dej为第j个缺陷图像特征向量，fabk为第k个伪缺陷图像特征向量，||*，*||2为向量的二范数计算，为伪缺陷图像特征向量的均值向量，α1、α2、α3、β均为权重系数。
[0009]
优选的，所述分类性能评估函数具体公式为：其中，l
catog
为分类性能评估函数，n2为训练集样本数量大小；p
zc
为样本z属于类别c的预测概率；y
zc
为指示变量，若预测类别和样本z的真实类别相同，则y
zc
为1，否则y
zc
为0。
[0010]
优选的，所述整体优化目标函数表示为：其中，μ为线性比例系数，l
decoup
为区域解耦评估函数，l
catog
为分类性能评估函数。
[0011]
优选的，所述获得边缘伪缺陷样本具体步骤为：将所述训练集样本输入电力设备缺陷检测模型，按照模型初始权重做预判获得训练集中各个样本的个体分类损失，其中：ntrain
为训练集的样本总数，loss
l
为第l个样本的分类损失；选取个体分类损失大于阈值ε的伪缺陷样本，标记为边缘伪缺陷样本：其中，φ是边缘伪缺陷样本的索引集合，loss
l
为第l个样本的分类损失，为伪缺陷训练样本集合，where（）为索引查询函数。
[0012]
优选的，所述引入弱监督缺陷遮盖策略具体步骤为：遍历所述边缘伪缺陷样本，进行样本局部改造，即：将样本分为若干相同小区域，得到区域集合：其中，l
ori2
为边缘伪缺陷样本的长度，w
ori2
为边缘伪缺陷样本的宽度，p为切分精度，nb为区域数；筛选出区域集合a中与该样本伪缺陷区域交集不为空的子集，具体公式为：其中，a为区域集合a中与该样本伪缺陷区域交集不为空的子集，p
defect
为伪缺陷区域；在a
manu
中以概率p随机选出若干小区域，并将所选区域的像素值置换成模糊值，得到新的图像样本；在每一次迭代中重新更新所有边缘伪缺陷样本随机置换的位置；其中，像素值置换成模糊值具体公式为：其中，total
p
为边缘伪缺陷样本集的像素个数总和，pixr为第r个像素的像素值。
[0013]
与现有技术相比，本发明的有益效果是：1、本发明为一种基于伪缺陷空间生成的电力设备缺陷检测方法，以正常图片为素材，人为伪造出局部的不规则性，生成一种伪缺陷图像类别，引导挖掘模型对图像复杂背景中不和谐、过渡不平滑特征的提取，增大识别数据量，对模型判断带来积极引导，使模型对于难分样本判断更为准确。
[0014]
2、本发明为一种基于伪缺陷空间生成的电力设备缺陷检测方法，利用对比学习思想，对特征空间区域解耦，对伪缺陷图像特征、正常图像特征、缺陷图像特征嵌入约束，增强难分样本中复杂背景的抗干扰能力，提高模型对于电力设备隐蔽缺陷的识别精度。
[0015]
3、本发明为一种基于伪缺陷空间生成的电力设备缺陷检测方法，利用电力设备缺陷模型预判得到分类损失并依据分类损失获取边缘伪缺陷样本，在进行若干次迭代训练后利用边缘伪缺陷样本引入弱监督缺陷遮盖策略进行训练，缓解了训练过程中极易出现的过拟合的问题，帮助模型突破训练瓶颈。
附图说明
[0016]
图1为本发明的整体流程示意图。
具体实施方式
[0017]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0018]
如图1所示，本实施例提供以下技术方案：一种基于伪缺陷空间生成的电力设备缺陷检测方法，具体包括以下步骤：收集若干电力设备正常图像与缺陷图像并对所有图像进行预处理，所述预处理为以加快模型收敛速度为目标对图像进行标准化白化处理，具体公式为：式中：为图像像素函数，为像素均值；x为图像像素矩阵；为图像像素正态分布标准差，σ为标准方差；n1为图像的像素数量；选取若干预处理后的正常图像进行图像变换操作，生成并选取与正常图像具有差异的若干伪缺陷图像，所述图像变换操作具体步骤为：从预处理后的正常图像中剪切一个随机长宽比的矩形区域，旋转所选矩形区域中的像素值，再粘贴回剪切前的图像的任意位置；所述图像变换操作具体步骤需满足：其中，l’、w’为所述随机长宽比矩形区域的长和宽，l
ori1
、w
ori1
为正常图像的长和宽。
[0019]
将预处理后的正常图像、缺陷图像及生成的伪缺陷图像的三个集合按同比例划分训练集和测试集；构建电力设备缺陷检测模型，所述电力设备缺陷检测模型包括特征提取层，所述特征提取层可以为alexnet、vgg、resnet或inceptionnet网络，本发明所述的实施例采用vgg-16网络，搭建特征提取层网络的具体结构依次为：
①
两层卷积层加一层最大池化层
→②
两层卷积层加一层最大池化层
→③
三层卷积层加一层最大池化层
→④
三层卷积层加一层池化层
→⑤
三层卷积层加一层池化层
→⑥
全局平均池化层，其中所有卷积层均使用二维卷积。设置网络参数如下：
①
两层卷积层的卷积核大小为3
×
3，卷积核数量为64
ꢀ②
两层卷积层的卷积核大小为3
×
3，卷积核数量为128
ꢀ③
三层卷积层的卷积核大小为3
×
3，卷积核数量为256
ꢀ④
三层卷积层的卷积核大小为3
×
3，卷积核数量为512
ꢀ⑤
三层卷积层的卷积核
大小为3
×
3，卷积核数量为512。所有的最大池化层的下采样因子均为2
×
2，步长均为[2,2]，在实施例中，正常图像、缺陷图像、伪缺陷图像的输入维度为（224，3，3），经所述特征提取层，得到形状为（512，1，1）维度的正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量。
[0020]
以缩小预测样本与真实样本的误差获得分类结果为目标构建一分类性能评估函数，具体公式为：其中，l
catog
为分类性能评估函数，n2为训练集样本数量大小；p
zc
为样本z属于类别c的预测概率；y
zc
为指示变量，若预测类别和样本z的真实类别相同，则y
zc
为1，否则y
zc
为0。
[0021]
以增大类间差距缩小类内差距优化分类结果为目标构建一区域解耦评估函数，所述构建一区域解耦评估函数具体步骤为：将训练集中的正常图像、缺陷图像、伪缺陷图像输入至电力设备缺陷检测模型，通过特征提取层输出正常图像特征向量、缺陷图像特征向量以及伪缺陷图像特征向量；将所述正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量进行两两配对并利用对比学习进行解耦，增大正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量群中心之间的距离，即满足：其中，n1、n2、n3分别为正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量的个数，nori为第i个正常图像特征向量，dej为第j个缺陷图像特征向量，fabk为第k个伪缺陷图像特征向量，||*，*||2为向量的二范数计算；缩小伪缺陷图像特征向量群在空间上的群内欧式距离，即满足：其中，n3为伪缺陷图像特征向量的个数，fabk为第k个伪缺陷图像特征向量，为伪缺陷图像特征向量的均值向量；综合考虑增大类间差距缩小类内差距优化分类结果的目标，区域解耦评估函数表示为：
其中，l
decoup
为区域解耦评估函数，n1、n2、n3分别为正常图像特征向量、缺陷图像特征向量、伪缺陷图像特征向量的个数，nori为第i个正常图像特征向量，dej为第j个缺陷图像特征向量，fabk为第k个伪缺陷图像特征向量，||*，*||2为向量的二范数计算，为伪缺陷图像特征向量的均值向量，α1、α2、α3、β均为权重系数。
[0022]
对分类性能评估函数和区域解耦评估函数线性加权融合获得整体目标优化函数，表达式为：其中，μ为线性比例系数，l
decoup
为区域解耦评估函数，l
catog
为分类性能评估函数。
[0023]
进行电力设备缺陷检测模型预前向传播，得到每个样本的分类损失，将所述分类损失大于阈值ε的伪缺陷图像，标记为边缘伪缺陷样本，具体为将所述训练集样本输入电力设备缺陷检测模型，按照模型初始权重做预判获得训练集中各个样本的个体分类损失，其中：n
train
为训练集的样本总数，loss
l
为第l个样本的分类损失；选取个体分类损失大于阈值ε的伪缺陷样本，标记为边缘伪缺陷样本：其中，φ是边缘伪缺陷样本的索引集合，loss
l
为第l个样本的分类损失，为伪缺陷训练样本集合，where（）为索引查询函数。
[0024]
将所述训练集中的正常图像、缺陷图像、伪缺陷图像输入电力设备缺陷检测模型，根据所述整体目标优化函数对电力设备缺陷模型进行迭代训练。当模型具有一定识别能力的时候，即达到了一定的识别准确率，因不同数据集所需识别准确率不同，根据实际所需准确率在进行若干次迭代训练后以缓解过拟合帮助模型突破训练瓶颈为目标利用所述边缘伪缺陷样本引入弱监督缺陷遮盖策略进行训练，模型所需具体步骤为：遍历所述边缘伪缺陷样本，进行样本局部改造，即：将样本分为若干相同小区域，得到区域集合：其中，l
ori2
为边缘伪缺陷样本的长度，w
ori2
为边缘伪缺陷样本的宽度，p为切分精度，nb为区域数；筛选出区域集合a中与该样本伪缺陷区域交集不为空的子集，具体公式为：其中，a为区域集合a中与该样本伪缺陷区域交集不为空的子集，p
defect
为伪缺陷区域；在amanu中以概率p随机选出若干小区域，并将所选区域的像素值置换成模糊值，得到新的图像样本；在每一次迭代中重新更新所有边缘伪缺陷样本随机置换的位置；其中，
像素值置换成模糊值具体公式为：其中，total
p
为边缘伪缺陷样本集的像素个数总和，pixr为第r个像素的像素值。
[0025]
直至模型收敛时，迭代终止，得到训练完成的电力设备缺陷检测模型，并在测试集上测试所述电力设备缺陷检测模型性能；将待检测的电力设备图像输入至电力设备缺陷检测模型进行缺陷检测。
[0026]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。