[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

说明书

本发明公开了图像处理领域内的一种小样本下基于深度学习的电力设备分类方法，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，本发明在样本量较少的情况下获得很好的效果并且不需要大量的训练时间，可用于电力设备管理控制中。

技术领域

本发明涉及一种电力设备，特别涉及一种电力设备分类方法。

背景技术

电力设备红外图像是通过探测电力设备发出的红外辐射能量，并转化为相应的电信号，经过电信号处理后获得电力设备表面热图像。红外检测技术具有远距离、不接触、不取样、不解体、准确、快速、直观等特点，广泛用于电力设备检测诊断中，对提高电力系统的稳定性具有重要意义。但是红外图像是一种伪色彩图像，它反映了物体表面温度的高低及分布，具有强度集中和对比度低等特性。并且受红外成像仪技术的限制，红外图像的质量通常不高，获取也不是特别方便。

深度学习具有强大的非线性拟合能力，并且在各种图像处理任务中，深度学习算法都优于传统算法的性能。但是深度学习需要大量已标注的样本，而且需要大量的时间来进行训练。对于部分难以获取大量图片的领域，只需要少量样本就可以训练出效果很好的网络，也不需要很长时间。这样可以把深度学习这个工具推广到更多领域。

发明内容

本发明的目的是提供一种小样本下基于深度学习的电力设备分类方法，在样本量较少的情况下获得很好的效果并且不需要大量的训练时间

本发明的目的是这样实现的：

与现有技术相比，本发明的有益效果在于，本发明通过使用卷积神经网络对输入红外图像进行深度特征挖掘，不依赖于手工特征提取参数，并通过欧几里得距离来度量每个样本之间的距离，通过网络学习参数使得本类别数据到本类别原型的距离最近；从而在样本量比较小的情况下取得很好的分类效果并且不需要很多时间训练，可以对智能的对采集的电力图片进行进识别并分类，从而在一定程度上减少了对人工识别的依赖，缩减人工劳动量。

附图说明

图1为本发明工作流程图。

图2为本发明网络结构图。

图3为本发明任务嵌入模块结构图。

图4为本发明分类结果示意图一；

图5为本发明分类结果示意图二。

具体实施方式

本发明针对当前电力设备红外图像分类准确度不高、人工依赖程度高等问题，提出了一种小样本下基于深度学习的电力设备分类方法；将电力设备红外图像作为输入，通过深度学习方法对电力设备分类，下面将实施的方案进行详细描述。

如图1所示，一种小样本下基于深度学习的电力设备分类方法，包括以下步骤：

步骤1：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。

步骤2：为每个类分别创建一个文件夹，将这个类的图片按照序号统一命名格式后放到对应的文件夹下，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，创建train、val、test文本文档，分别将训练集、验证集和测试集的图像文件名复制到各自的文本文档下；网络通过读取文本文档里图像的文件名来选择相应的图像进行处理。