[发明专利]一种小样本下基于深度学习的电力设备分类方法

权利要求书

1.一种小样本下基于深度学习的电力设备分类方法，其特征在于，包括以下步骤：

步骤1：通过变电站设备检测装置获取标准化的电力设备红外图像；

步骤2：建立电力设备红外图像样本库，制作训练集、验证集和测试集；

步骤3：建立小样本学习网络，使用样本库的训练集对所建立的卷积神经网络进行训练，并通过验证集对模型进行验证，训练后得到网络模型的连接权值和偏置参数；

步骤4：利用训练好的网络模型，对测试集中的红外图像进行分类，产生电力设备红外图像的分类结果。

2.根据权利要求1所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤1中，通过红外热像仪在巡检轨道上拍摄红外图像，其中所采集的红外图像中包含的电力设备有：套管、避雷器、穿墙套管、导线、电缆终端、电力电缆、电力电容器、电流互感器、电压互感器、端子箱、断路器、放电线圈、高压熔断器、隔离开关、变压器、开关柜、屏柜、散热器；并将每张图像旋转90度，180度，270度，扩充数据集。

3.根据权利要求2所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤2中，将采集到的电力设备红外图像按照设备的类别分到不同的文件夹下，并且将每一个文件夹下的图片统一命名格式，按照类的标号加上不同的数字命名；将每个类的图像按照预设的比例分成训练集、验证集和测试集，分别将训练集、验证集和测试集的图像文件名复制到不同的文本文档下。

4.根据权利要求3所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：有18个类的电力设备，每个类从训练集选取十个样本作为支持集，再选出数十个样本作为查询集。

5.根据权利要求1所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤3中，采用12层的残差网络作为主干特征提取器f_θ，包含4块深度为3的区块，每个区块带有3*3卷积核和捷径连接，每个块的末尾是2*2的最大池化层；同时设置一个辅助特征提取器，加上任务嵌入模块组成小样本学习网络。最后通过辅助任务共训练来训练网络。

6.根据权利要求5所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：将每个类支持集里的样本投影到同一空间中，对于每个类型的样本提取他们的中心点作为原型，使用欧几里得距离作为距离度量，训练使得本类别数据到本类原形表示的距离为最近，到其他类原形表示的距离较远。测试时，对测试数据到各个类别的原形数据的距离做softmax，来判断测试数据的类别标签。