CN115272761A - 基于协同表征双边自编码器的电网输电线路缺陷检测方法 - Google Patents

基于协同表征双边自编码器的电网输电线路缺陷检测方法 Download PDF

Info

Publication number
CN115272761A
CN115272761A CN202210887421.5A CN202210887421A CN115272761A CN 115272761 A CN115272761 A CN 115272761A CN 202210887421 A CN202210887421 A CN 202210887421A CN 115272761 A CN115272761 A CN 115272761A
Authority
CN
China
Prior art keywords
sample
encoder
transmission line
characterization
cluster
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
CN202210887421.5A
Other languages
English (en)
Inventor
张凌浩
常政威
徐厚东
唐勇
向思屿
庞博
王胜
张颉
刘雪原
陈亮
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210887421.5A priority Critical patent/CN115272761A/zh
Publication of CN115272761A publication Critical patent/CN115272761A/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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于协同表征双边自编码器的电网输电线路缺陷检测方法，涉及电网输电线路缺陷检测技术领域。所述检测方法：通过电网输电线图像元数据预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。充分利用自编码器强大的表征学习能力来学习有效的数据表征，同时引入模糊隶属度以在训练过程中不断增强数据的双边判别性，提取并增强数据的双边表征；解决现有数据存在的数据判别性不足、现有方法存在的对数据分布有假设、依赖于先验信息等问题。

Description

基于协同表征双边自编码器的电网输电线路缺陷检测方法
技术领域
本发明涉及基于协同表征双边自编码器的电网输电线路缺陷检测方法，涉及电网输电线路缺陷检测技术领域。
背景技术
随着我国经济飞速发展，电网的规模、复杂性、电压等级持续增长，电力消费需求和使用可靠性要求不断增加，电网安全与经济、民生、国家安全愈来愈密不可分，电网企业亟需对电网中缺陷进行高效和有效的识别。通常的电网巡检需要人工干预，这类方式存在高风险、高难度、耗时耗力，以及缺陷检测不及时等问题；电网输电线上的缺陷主要包括存在异物、部分零部件(如螺栓、绝缘子等)损坏或缺失等。
针对电网巡检的上述问题，沈茂东等在对Faster R-CNN深入研究的基础上提出了新的输电线异物检测网络TLFOD Net，该模型在识别速度和精度上都有所提高。钱金菊等提出采用图像处理技术对输电线路进行检测，并使用Adaboost算法对目标进行缺陷识别；Yao等提取巡检图像中输电线和天空背景的颜色和纹理特征，以此作为SVM分类器的训练数据。在检测阶段，根据预训练的SVM分类器得到不同区域的得分，以此为依据将图像分割为天空区域、非天空区域和不确定区域，通过不确定区域周围的像素点属性逐渐将不确定区域归类合并，最终剩下的未合并区域就是异物所在位置。Wang等则采用了SSD作为异物检测的主要算法，作者通过多次的对比实验证明数据增强对该任务模型的平均精度值有较大提升。Guo等采用了Faster R-CNN作为线上异物的检测算法。上述方法都对输电线上的缺陷进行了检测，并取得了一定的成效，但由于对数据的特征学习不够充分，从而导致模型的计算量偏大，检测的准确率低。
输电线是电力输送的载体，有学者提出了一种新的基于对象的各向异性加权惩罚马尔可夫随机场(OMRF-AWP)方法来进行输电线图像提取和识别。在不规则图模型的基础上定义了一个新的邻域系统并构造一个新势函数。通过OMRF-AWP方法来区分输电线段和其他线段。Qin等则提出了针对激光雷达数据的输电线提取算法。绝缘子是电力系统中的重要组件，Liao等提出了一种基于局部特征和空间顺序的航空图像绝缘子检测算法。该算法首先检测局部特征，并引入多尺度和多特征描述符来表示局部特征。最后通过从粗到精的匹配策略，消除背景噪声，确定绝缘子的区域。Miao使用单次激发多盒检测来进行绝缘子划分提取。Han等提出了一种级联模型用于绝缘子检测。
传统的特征学习方法如主成分分析等存在结构密集、获得的数据表征无法解释等问题。相比之下，自编码器在特征学习上受到了越来越多的关注；但原始自编码器的表征学习过程没有方向性且限制很弱。Kim和Mnih提出了一个因子变异自动编码器，其中引入了一个平衡项来更好地权衡容量和纠缠。Chen等人进一步扩展了因子变异自动编码器。
综上所述，现有技术对于电网输电线缺陷检测虽然利用深度学习、计算机视觉进行缺陷识别，由于不对图片进行特征提取，导致模型计算量偏大、计算更耗时、容易过拟合；同时不能有效挖取图像的有价值信息，导致识别效果低和输电线缺陷检测的准确率不足的问题。
发明内容
本发明的目的在于，提供基于协同表征双边自编码器的电网输电线路缺陷检测方法，充分利用自编码器强大的表征学习能力来学习有效的数据表征，同时引入模糊隶属度以在训练过程中不断增强数据的双边判别性，提取并增强数据的双边表征；解决现有数据存在的数据判别性不足、现有方法存在的对数据分布有假设、依赖于先验信息等问题。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
基于协同表征双边自编码器的电网输电线路缺陷检测方法，通过电网输电线图像元数据预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。
进一步的，所述电网输电线图像预处理包括：
从样本和特征两个角度对元数据进行双边划分；
对划分得到的特征簇和样本簇使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。
进一步的，所述元数据的双边划分：
设计高斯混合模型，可以得到K个特征簇和L个样本簇：
Figure BDA0003766229850000031
Figure BDA0003766229850000032
式中，
Figure BDA0003766229850000033
表示第K个特征簇，
Figure BDA0003766229850000034
表示第L个样本簇；输入数据被表示为一个数据矩阵X∈RD×N，包含N个样本，每个样本有D维度特征；第j个特征向量被定义为行向量fJ＝{xj1，...，xji，...，xjN}，第i个样本向量被定义为列向量xi＝{x1i；...；xji；...；xDi}c，xij表示数据矩阵中的第i个样本的第j个特征。
进一步的，所述隶属度信息的生成：
对具有D维度特征和N个样本输入元数据划分了K个特征簇并生成D个特征隶属度，划分L个特征簇并生成N个特征隶属度；
每个特征向量fs对其所属的特征簇
Figure BDA0003766229850000035
具有大于零的隶属度ωsk，而对其他特征簇隶属度则为零；每个样本向量xt对其所属的样本簇
Figure BDA0003766229850000036
具有大于零的隶属度vtl，而对其他样本簇隶属度则为零，如下式：
Figure BDA0003766229850000037
Figure BDA0003766229850000038
特征隶属度和样本隶属度的具体计算公式如下：
Figure BDA0003766229850000039
Figure BDA00037662298500000310
Figure BDA00037662298500000311
为特征向量fs对其所属特征簇
Figure BDA00037662298500000312
的隶属度函数；
Figure BDA00037662298500000313
的分布定义为多维独立高斯分布，其中第n列特征向量的分布为
Figure BDA00037662298500000314
Figure BDA00037662298500000315
分别为
Figure BDA0003766229850000041
第n列的均值和方差；
与ωsk的计算类似，对vtl来说，
Figure BDA0003766229850000042
为样本向量xt对其所属样本簇
Figure BDA0003766229850000043
的隶属度函数；
Figure BDA0003766229850000044
的分布定义为多维独立高斯分布，其中第n行样本向量的分布为
Figure BDA0003766229850000045
Figure BDA0003766229850000046
分别为
Figure BDA0003766229850000047
第n行样本向量的均值和方差。
进一步的，所述协同表征双边自编码器算法目标公式为：
Figure BDA0003766229850000048
式中，λ是超参数，用来调节重建损失和协同判别性损失；
Figure BDA0003766229850000049
是重建损失项，
Figure BDA00037662298500000410
是协同判别性惩罚项，d(hst，uk1)表示hst，uk1两点的欧氏距离；hst是自编码器隐藏层中的第1个样本簇中第t个样本的第k个特征簇中第s个特征的特征值，uk1是第k个特征簇和第1个样本簇相交得到的块簇中心；N是样本的是数量，xn、
Figure BDA00037662298500000411
分别表示重构前后第n个样本向量；L是样本簇的数量，K是特征簇的数量，s表示第k个特征簇中的第s列，t表示第l个样本簇中的第t行。
进一步的，所述协同表征双边自编码器算法对获取的模糊信息训练：
通过最小化
Figure BDA00037662298500000412
可以促使自编码器的隐藏层学习到蕴含元数据潜在信息的表征；
Figure BDA00037662298500000413
在生成的特征簇、样本簇和隶属度信息引入算法的训练过程；最小化协同判别性惩罚项表达了一种约束关系，即在每个特征簇与每个样本簇正交区域内，每个元素值都被驱使着相似于块中心，提高每个块的内部元素的相似性；
训练过程中隐藏层数据的双边判别性会被不断增强。模型训练完成时，隐藏层表征即为最终的习得协同表征。
进一步的，块中心ukl的计算方式为：
Figure BDA0003766229850000051
进一步的，所述隐藏层中习得元数据的协同判别表征，将得到的图像协同判别表征输入到经典分类识别模型中，得到输电线缺陷检测协同识别的结果；
所述经典分类识别模型为如卷积神经网络、支持向量机和决策树等识别模型。
进一步的，所述电网输电线图像数据由无人机、激光雷达卫星获取。
本发明的有益效果：
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，充分利用自编码器强大的表征学习能力来学习有效的数据表征，同时引入模糊隶属度以在训练过程中不断增强数据的双边判别性，提取并增强数据的双边表征；解决现有数据存在的数据判别性不足、现有方法存在的对数据分布有假设、依赖于先验信息等问题。
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，能够有效挖掘输入图像中的有价值信息，去除冗余信息，提高识别效率；
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，在挖掘有效信息的同时增强数据的判别性，从而显著提升后续输电线缺陷检测的准确率；
本发明的基于协同表征双边自编码器的电网输电线路缺陷检测方法，提取出数据的主要特征信息，减小后续识别算法在训练过程中的过拟合；解决现有技术中虽然利用深度学习、计算机视觉进行缺陷识别，由于不对图片进行特征提取，导致模型计算量偏大、计算更耗时、容易过拟合的问题。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明实施例所述基于协同表征双边自编码器的电网输电线路缺陷检测方法流程图；
图2为本发明实施例所述基于协同表征双边自编码器的电网输电线路缺陷检测方法算法框架图；
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合附图对实施例对本发明进行详细说明。
基于协同表征双边自编码器的电网输电线路缺陷检测方法，通过电网输电线图像元数据预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。
下面结合具体实施例对本发明进行说明：
如图1-2所示
实施例1
电网输电线图像元数据的模糊信息获得：
模糊信息生成组件旨在输入元数据的双边表征信息，即每个数据元素的隶属度信息，为后续的模型训练组件做准备；
输入数据被表示为一个数据矩阵X∈RD×N，包含N个样本，每个样本有D维度特征；第j个特征向量被定义为行向量fj＝{xj1，...，xji，...，xjN}，第i个样本向量被定义为列向量xi＝{x1i；...；xji；...；xDi}c，xij表示数据矩阵中的第i个样本的第j个特征。
首先使用高斯混合模型从样本和特征两个角度对元数据进行双边划分，得到K个特征簇和L个样本簇：
Figure BDA0003766229850000061
Figure BDA0003766229850000062
式中，
Figure BDA0003766229850000063
表示第K个特征簇，
Figure BDA0003766229850000064
表示第L个样本簇；
然后基于划分得到的特征簇和样本簇，使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。每个特征向量fs对其所属的特征簇
Figure BDA0003766229850000065
具有大于零的隶属度ωsk，而对其他特征簇隶属度则为零；每个样本向量xt对其所属的样本簇
Figure BDA0003766229850000066
具有大于零的隶属度vtl，而对其他样本簇隶属度则为零，如下式：
Figure BDA0003766229850000071
Figure BDA0003766229850000072
特征隶属度和样本隶属度的具体计算公式如下：
Figure BDA0003766229850000073
Figure BDA0003766229850000074
Figure BDA0003766229850000075
为特征向量fs对其所属特征簇
Figure BDA0003766229850000076
的隶属度函数。
Figure BDA0003766229850000077
的分布定义为多维独立高斯分布，其中第n列特征向量的分布为
Figure BDA0003766229850000078
Figure BDA0003766229850000079
分别为
Figure BDA00037662298500000710
第n列的均值和方差。
与ωsk的计算类似，对vtl来说，
Figure BDA00037662298500000711
为样本向量xt对其所属样本簇
Figure BDA00037662298500000712
的隶属度函数。
Figure BDA00037662298500000713
的分布定义为多维独立高斯分布，其中第n行样本向量的分布为
Figure BDA00037662298500000714
Figure BDA00037662298500000715
分别为
Figure BDA00037662298500000716
第n行样本向量的均值和方差。
模糊信息生成组件最终对具有D维度特征和N个样本输入元数据划分了K个特征簇并生成D个特征隶属度，划分L个特征簇并生成N个特征隶属度；获取到输入信息对其所属簇的模糊信息。
实施例2
协同表征双边自编码器算法对获取的模糊信息训练：
首先，自编码器的网络结构是对称的，由三层组成：输入层、隐藏层和输出层。输入样本向量
Figure BDA00037662298500000717
输出
Figure BDA00037662298500000718
隐藏层
Figure BDA00037662298500000719
D表示样本的维度，M表示隐藏层数据的维度。输出
Figure BDA0003766229850000081
可以看作是输入x的重构。隐藏层和输入层之间通过加权矩阵w∈RM×D和偏置项b1∈RM×1进行连接，和输出层之间通过wT∈RD×M和偏置项b2∈RD×1进行连接。
h＝σ(wx+b1)
σ是激活函数，σ(x)＝1/(1+exp(-x))。同理，
Figure BDA0003766229850000082
可表示为下式(8)：
Figure BDA0003766229850000083
自编码器的损失函数如下所示：
Figure BDA0003766229850000084
均方误差用来逼近输入与输出，尽量让输入与输出保持一致。上式中
Figure BDA0003766229850000085
表示向量的二范数。
协同表征双边自编码器算法的目标公式如下：
Figure BDA0003766229850000086
目标公式中，λ是超参数，用来调节重建损失和协同判别性损失。
Figure BDA0003766229850000087
是重建损失项，
Figure BDA0003766229850000088
是协同判别性惩罚项，d(hst，uk1)表示hst，uk1两点的欧氏距离。N是样本的是数量，xn、
Figure BDA0003766229850000089
分别表示重构前后第n个样本向量。L是样本簇的数量，K是特征簇的数量，s表示第k个特征簇中的第s列，t表示第1个样本簇中的第t行。
通过最小化
Figure BDA00037662298500000810
可以促使自编码器的隐藏层学习到蕴含元数据潜在信息的表征。
Figure BDA00037662298500000811
在模糊信息生成组件生成的特征簇、样本簇和隶属度信息引入算法的训练过程。最小化协同判别性惩罚项表达了一种约束关系，即在每个特征簇与每个样本簇正交区域内，每个元素值都被驱使着相似于块中心，提高每个块的内部元素的相似性。这种驱使的强度是柔性变化的，由每个元素对应的特征隶属度和样本隶属度乘积表示决定；
块中心ukl的计算方式为：
Figure BDA0003766229850000091
目标公式的求解：
为了便于数学推理，下文中xn，hn，
Figure BDA0003766229850000092
均为列向量；选用logistic函数作为激活函数。a，b两向量的欧氏距离如下：
Figure BDA0003766229850000093
自变量参数θ∈{wij，b1i，b2i}，wij是自编码器的权重参数，b1i，b2i分别为样本i对应的隐藏层和输出层偏置项。
Figure BDA0003766229850000094
可以分为Jerro和Jcoll对θ分别求导：
Figure BDA0003766229850000095
Figure BDA0003766229850000096
Figure BDA0003766229850000097
Jerro对θ求导：
Figure BDA0003766229850000101
Figure BDA0003766229850000102
Figure BDA0003766229850000103
Jcoll对θ求导：
Figure BDA0003766229850000104
Figure BDA0003766229850000111
Figure BDA0003766229850000112
Figure BDA0003766229850000113
Figure BDA0003766229850000114
Figure BDA0003766229850000121
Figure BDA0003766229850000122
Figure BDA0003766229850000123
训练采用批梯度下降法，在每个训练批次中计算各参数对应的梯度并进行参数更新，更新公式为，式中ρ为学习率：
Figure BDA0003766229850000124
Figure BDA0003766229850000125
Figure BDA0003766229850000126
随着模型的训练，可以求得使目标函数取最小值的参数θ∈{wij，b1i，b2i}。训练过程中隐藏层数据的双边判别性会被不断增强。模型训练完成时，隐藏层表征即为最终的习得协同表征。
基于模型损失最小化时的网络权重和偏置，可以得到既有价值又具有判别性的图像表征。随后将得到的图像表征输入到经典的分类识别模型中，如卷积神经网络、支持向量机和决策树等识别模型，最终得到输电线缺陷检测协同识别的结果。
在本说明书的描述中，参考术语“一个实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.基于协同表征双边自编码器的电网输电线路缺陷检测方法，包括对电网输电线图像元数据预处理，再利用协同表征双边自编码器学习有效的数据表征，其特征在于：
所述预处理获取输入信息对其所属簇的模糊信息，利用协同表征双边自编码器算法对获取的模糊信息训练，在隐藏层中习得元数据的协同判别表征，并输入分类识别模型输出识别结果。
2.如权利要求1所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述电网输电线图像预处理包括：
从样本和特征两个角度对元数据进行双边划分；
对划分得到的特征簇和样本簇使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。
3.如权利要求2所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述元数据进行双边划分：
设计高斯混合模型，可以得到K个特征簇和L个样本簇：
Figure FDA0003766229840000011
Figure FDA0003766229840000012
式中，
Figure FDA0003766229840000013
表示第K个特征簇，
Figure FDA0003766229840000014
表示第L个样本簇；输入数据被表示为一个数据矩阵X∈RD×N，包含N个样本，每个样本有D维度特征；第j个特征向量被定义为行向量fj＝{xj1，...，xji，...，xjN}，第i个样本向量被定义为列向量xj＝{x1i；...；xji；...；xDi}c，xij表示数据矩阵中的第i个样本的第j个特征；基于划分得到的特征簇和样本簇，使用模糊集思想对样本和特征信息进行概括并生成隶属度信息。
4.如权利要求3所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述隶属度信息的生成：
对具有D维度特征和N个样本输入元数据划分了K个特征簇并生成D个特征隶属度，划分L个特征簇并生成N个特征隶属度；
每个特征向量fs对其所属的特征簇
Figure FDA0003766229840000015
具有大于零的隶属度ωsk，而对其他特征簇隶属度则为零；每个样本向量xt对其所属的样本簇
Figure FDA0003766229840000021
具有大于零的隶属度vtl，而对其他样本簇隶属度则为零，如下式：
Figure FDA0003766229840000022
Figure FDA0003766229840000023
特征隶属度和样本隶属度的具体计算公式如下：
Figure FDA0003766229840000024
Figure FDA0003766229840000025
Figure FDA0003766229840000026
为特征向量fs对其所属特征簇
Figure FDA0003766229840000027
的隶属度函数；
Figure FDA0003766229840000028
的分布定义为多维独立高斯分布，其中第n列特征向量的分布为
Figure FDA0003766229840000029
Figure FDA00037662298400000210
分别为
Figure FDA00037662298400000211
第n列的均值和方差；
与ωsk的计算类似，对vtl来说，
Figure FDA00037662298400000212
为样本向量xt对其所属样本簇
Figure FDA00037662298400000213
的隶属度函数；
Figure FDA00037662298400000214
的分布定义为多维独立高斯分布，其中第n行样本向量的分布为
Figure FDA00037662298400000215
Figure FDA00037662298400000216
分别为
Figure FDA00037662298400000217
第n行样本向量的均值和方差。
5.如权利要求1所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述协同表征双边自编码器算法目标公式为：
Figure FDA00037662298400000218
式中，λ是超参数，用来调节重建损失和协同判别性损失；
Figure FDA00037662298400000219
是重建损失项，
Figure FDA0003766229840000031
是协同判别性惩罚项，d(hst，uk1)表示hst，uk1两点的欧氏距离；hst是自编码器隐藏层中的第l个样本簇中第t个样本的第k个特征簇中第s个特征的特征值，uk1是第k个特征簇和第l个样本簇相交得到的块簇中心；N是样本的是数量，xn、
Figure FDA0003766229840000032
分别表示重构前后第n个样本向量；L是样本簇的数量，K是特征簇的数量，s表示第k个特征簇中的第s列，t表示第l个样本簇中的第t行；利用协同表征双边自编码器算法对获取的模糊信息训练。
6.如权利要求5所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述协同表征双边自编码器算法对获取的模糊信息训练：
通过最小化
Figure FDA0003766229840000033
可以促使自编码器的隐藏层学习到蕴含元数据潜在信息的表征；
Figure FDA0003766229840000034
在生成的特征簇、样本簇和隶属度信息引入算法的训练过程；最小化协同判别性惩罚项表达了一种约束关系，即在每个特征簇与每个样本簇正交区域内，每个元素值都被驱使着相似于块中心，提高每个块的内部元素的相似性；
训练过程中隐藏层数据的双边判别性会被不断增强。模型训练完成时，隐藏层表征即为最终的习得协同表征。
7.如权利要求5所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述块中心ukl的计算方式为：
Figure FDA0003766229840000035
8.如权利要求1所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述隐藏层中习得元数据的协同判别表征，将得到的图像协同判别表征输入到经典分类识别模型中，得到输电线缺陷检测协同识别的结果；
所述经典分类识别模型为如卷积神经网络、支持向量机和决策树等识别模型。
9.如权利要求1所述的基于协同表征双边自编码器的电网输电线路缺陷检测方法，其特征在于：所述电网输电线图像数据由无人机、激光雷达卫星获取。
10.基于协同表征双边自编码器的电网输电线路缺陷检测方法在电网输电线缺陷检测中的应用。
CN202210887421.5A 2022-07-26 2022-07-26 基于协同表征双边自编码器的电网输电线路缺陷检测方法 Pending CN115272761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210887421.5A CN115272761A (zh) 2022-07-26 2022-07-26 基于协同表征双边自编码器的电网输电线路缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210887421.5A CN115272761A (zh) 2022-07-26 2022-07-26 基于协同表征双边自编码器的电网输电线路缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115272761A true CN115272761A (zh) 2022-11-01

Family

ID=83769862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210887421.5A Pending CN115272761A (zh) 2022-07-26 2022-07-26 基于协同表征双边自编码器的电网输电线路缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115272761A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274748A (zh) * 2023-11-16 2023-12-22 国网四川省电力公司电力科学研究院 基于离群抑制的终生学习电力模型训练及检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN103940824A (zh) * 2014-04-29 2014-07-23 长春工程学院 一种空中输电线路绝缘子检测方法
CN106198551A (zh) * 2016-08-01 2016-12-07 南方电网科学研究院有限责任公司 一种输电线路缺陷的检测方法及装置
CN111458411A (zh) * 2020-05-21 2020-07-28 四川大学 一种多角度超声波监测固体缺陷的装置、系统和识别方法
CN114170291A (zh) * 2021-11-24 2022-03-11 国网青海省电力公司海南供电公司 一种电力设备巡检方法
US20220207707A1 (en) * 2020-12-30 2022-06-30 Hon Hai Precision Industry Co., Ltd. Image defect detection method, electronic device using the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102841131A (zh) * 2012-09-20 2012-12-26 西安科技大学 钢丝绳芯输送带缺陷智能识别方法及系统
CN103940824A (zh) * 2014-04-29 2014-07-23 长春工程学院 一种空中输电线路绝缘子检测方法
CN106198551A (zh) * 2016-08-01 2016-12-07 南方电网科学研究院有限责任公司 一种输电线路缺陷的检测方法及装置
CN111458411A (zh) * 2020-05-21 2020-07-28 四川大学 一种多角度超声波监测固体缺陷的装置、系统和识别方法
US20220207707A1 (en) * 2020-12-30 2022-06-30 Hon Hai Precision Industry Co., Ltd. Image defect detection method, electronic device using the same
CN114170291A (zh) * 2021-11-24 2022-03-11 国网青海省电力公司海南供电公司 一种电力设备巡检方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUYU YIN ET AL.: "QoS prediction for service recommendation with features learning in mobile edge computing environment", IEEE TRANSACTIONS ON COGNITIVE COMMUNICATIONS AND NETWORKING, vol. 6, no. 4, XP011824068, DOI: 10.1109/TCCN.2020.3027681 *
ZEHAO LIU ET AL.: "Bilateral discriminative autoencoder model orienting co-representation learning", KNOWLEDGE-BASED SYSTEMS, vol. 245, pages 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274748A (zh) * 2023-11-16 2023-12-22 国网四川省电力公司电力科学研究院 基于离群抑制的终生学习电力模型训练及检测方法
CN117274748B (zh) * 2023-11-16 2024-02-06 国网四川省电力公司电力科学研究院 基于离群抑制的终生学习电力模型训练及检测方法

Similar Documents

Publication Publication Date Title
He et al. Defect detection of hot rolled steels with a new object detection framework called classification priority network
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
Dong et al. Deep metric learning-based for multi-target few-shot pavement distress classification
CN108960140B (zh) 基于多区域特征提取和融合的行人再识别方法
Sabrol et al. Fuzzy and neural network based tomato plant disease classification using natural outdoor images
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
Zhang et al. Polygon structure-guided hyperspectral image classification with single sample for strong geometric characteristics scenes
Gao et al. Blnn: multiscale feature fusion-based bilinear fine-grained convolutional neural network for image classification of wood knot defects
CN111461006B (zh) 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法
CN115272761A (zh) 基于协同表征双边自编码器的电网输电线路缺陷检测方法
Fan et al. FFWR-Net: A feature fusion wear particle recognition network for wear particle classification
CN111310820A (zh) 基于交叉验证深度cnn特征集成的地基气象云图分类方法
Rethik et al. Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer
Cai et al. A comparative study of machine vision-based rail foreign object intrusion detection models
CN111583171B (zh) 融合前景紧凑特性和多环境信息的绝缘子缺陷检测方法
Wang et al. EBL: Efficient background learning for x-ray security inspection
CN110634151B (zh) 一种单目标跟踪方法
Tao et al. Learning multi-resolution features for unsupervised anomaly localization on industrial textured surfaces
Zhang et al. Movable object detection in remote sensing images via dynamic automatic learning
Song et al. SS8: Source data-free domain adaptation via deep clustering with weighted self-labelling
Huang et al. Baggage image retrieval with attention-based network for security checks
Panda et al. RRBCNN: Aircraft detection and classification using Bounding Box Regressor based on Scale Reduction module
Zhao et al. Co-occurrence Object Detection of the Transmission Lines Based on the Cross-Domain Interactive Feature Enhancement
Ma et al. Research on the cascade pedestrian detection model based on LDCF and CNN

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