本發(fā)明涉及人工智能、機器視覺領(lǐng)域領(lǐng)域，特別涉及一種基于類別余弦映射的絕緣子故障檢測方法及裝置。

背景技術(shù)：

1、絕緣子故障檢測是電力系統(tǒng)自動化維護的關(guān)鍵步驟。電塔的絕緣子位于高空，且故障的絕緣子在發(fā)現(xiàn)后會被及時維修，這使得高空電塔上的故障絕緣子圖像難以獲取。為了解決數(shù)據(jù)獲取困難，將故障絕緣子圖像與高空電塔圖像進行合成是一種可行的方案。但合成圖像與真實場景間存在分布差異，因此，緩解合成圖像與真實場景間的分布差異，提升合成圖像的可用性，是需要解決的問題。

技術(shù)實現(xiàn)思路

1、針對緩解合成數(shù)據(jù)與真實場景的分布差異問題，本發(fā)明提供一種基于類別余弦映射的絕緣子故障檢測方法及裝置，利用類別余弦偏置將類別偏置信息編碼至圖像數(shù)據(jù)中，并利用輔助的多標(biāo)簽分類優(yōu)化模型對類別差異的感知能力，進而緩解合成圖像與真實場景間的分布差異，提升合成圖像的可用性，使得基于合成圖像的檢測更加準(zhǔn)確。

2、本發(fā)明采用如下技術(shù)方案：

3、一方面，一種基于類別余弦映射的絕緣子故障檢測方法，包括：

4、絕緣子故障檢測模型訓(xùn)練步驟，從真實數(shù)據(jù)集合與合成數(shù)據(jù)集合中獲取圖像數(shù)據(jù)、故障標(biāo)簽以及類別標(biāo)簽；利用類別余弦偏置編碼將類別偏置編碼進圖像數(shù)據(jù)獲得編碼結(jié)果，利用特征提取網(wǎng)絡(luò)提取編碼結(jié)果中的空間特征；利用類別余弦偏置解碼緩解空間特征中的偏置信息以獲得類別特征，利用多標(biāo)簽分類器獲取類別特征與類別標(biāo)簽的分類損失；利用分割解碼器獲取空間特征與故障標(biāo)簽的掩碼損失；基于分類損失與掩碼損失對絕緣子故障檢測模型進行優(yōu)化，完成模型訓(xùn)練；

5、絕緣子故障檢測步驟，使用訓(xùn)練好的絕緣子故障檢測模型對待檢測圖像數(shù)據(jù)進行故障檢測。

6、優(yōu)選的，從真實數(shù)據(jù)集合與合成數(shù)據(jù)集合中獲取圖像數(shù)據(jù)、故障標(biāo)簽以及類別標(biāo)簽，如下所示：

7、；

8、其中，s1與s2分別為真實數(shù)據(jù)集合與合成數(shù)據(jù)集合，真實數(shù)據(jù)集合s1包括無絕緣子的背景圖片、正常絕緣子圖片與故障絕緣子圖片，合成數(shù)據(jù)集合s2為高空電塔背景下的故障絕緣子圖片；rs為隨機采樣方法，~rs表示利用rs方法進行采樣，表示在s1與s2的并集中隨機采樣b份樣本作為一個訓(xùn)練批次的訓(xùn)練數(shù)據(jù)，采樣結(jié)果為(x,s,t)；為b份樣本的圖像數(shù)據(jù)；為故障標(biāo)簽；為類別標(biāo)簽；圖像數(shù)據(jù)與故障標(biāo)簽的高度均為h，寬度均為w；故障標(biāo)簽為二值掩碼圖，空間位置的掩碼值為0時表示該位置不屬于故障絕緣子，空間位置的掩碼值為1時表示該位置屬于故障絕緣子；類別標(biāo)簽用3個通道表示樣本是否存在正常絕緣子、是否存在異常絕緣子、是否為合成圖像。

9、優(yōu)選的，利用類別余弦偏置編碼將類別偏置編碼進圖像數(shù)據(jù)獲得編碼結(jié)果，利用特征提取網(wǎng)絡(luò)提取編碼結(jié)果中的空間特征，如下所示：

10、?；

11、其中，為余弦初始化所得的類別余弦權(quán)重，高度為h，寬度為w的3張類別余弦權(quán)重圖分別屬于類別標(biāo)簽t的3個類，指示第d通道的類別余弦權(quán)重圖的高度序號為i，寬度序號為j的權(quán)重值；為第b份樣本的第d通道指示的類別，b表示樣本份數(shù)；norm為正則化函數(shù)；為圖像數(shù)據(jù)x在第b份樣本中，第c通道上，高度序號為i，寬度序號為j的空間位置的值；為利用類別余弦權(quán)重q對圖像數(shù)據(jù)x進行類別余弦偏置編碼后的編碼結(jié)果，為映射數(shù)據(jù)在第b份樣本中，第c通道上，高度序號為i，寬度序號為j的空間位置的值；net為特征提取網(wǎng)絡(luò)，對映射數(shù)據(jù)進行特征提取所得的結(jié)果為空間特征，空間特征的通道數(shù)為c，高度為h，寬度為w。

12、優(yōu)選的，利用類別余弦偏置解碼緩解空間特征中的偏置信息以獲得類別特征，利用多標(biāo)簽分類器獲取類別特征與類別標(biāo)簽的分類損失，如下所示：

13、?；

14、其中，為余弦初始化所得的復(fù)原余弦權(quán)重，其等價于類別余弦權(quán)重q的縮放版本，即類別余弦權(quán)重的高度從h縮放為h，寬度從w縮放為w；指示第d通道的復(fù)原余弦權(quán)重圖的高度序號為i，寬度序號為j的權(quán)重值；復(fù)原余弦權(quán)重p用于將類別余弦偏置編碼的結(jié)果進行解碼；為空間特征z在第b份樣本中，第c通道上，高度序號為i，寬度序號為j的空間位置的值；為解碼后的類別特征，為類別特征中第b份樣本的第c通道的值；多標(biāo)簽分類器包含交叉熵損失函數(shù)cel、多標(biāo)簽概率映射方法sigmoid與分類器classifier三個部分，分類器classifier用于將類別特征與類別標(biāo)簽對齊，多標(biāo)簽概率映射方法sigmoid用于獨立的映射類別特征至類別概率，交叉熵損失函數(shù)cel用于計算類別概率與類別標(biāo)簽的損失值；lcls為多標(biāo)簽分類器計算得到的分類損失。

15、優(yōu)選的，利用分割解碼器獲取空間特征與故障標(biāo)簽的掩碼損失，如下所示：

16、；

17、其中，分割解碼器包含掩碼交叉熵損失函數(shù)celm、概率映射方法softmax與解碼器decoder三個部分，解碼器decoder用于將空間特征與故障標(biāo)簽對齊，概率映射方法softmax用于映射空間特征至空間類別概率，掩碼交叉熵損失函數(shù)celm用于計算空間類別概率與故障標(biāo)簽的損失值；lmask為分割解碼器計算得到的掩碼損失。

18、優(yōu)選的，基于分類損失與掩碼損失對絕緣子故障檢測模型進行優(yōu)化的方法為隨機梯度下降法。

19、優(yōu)選的，使用訓(xùn)練好的絕緣子故障檢測模型對待檢測圖像數(shù)據(jù)進行故障檢測，具體包括：

20、將待檢測圖像數(shù)據(jù)輸入至訓(xùn)練好的特征提取網(wǎng)絡(luò)獲取空間特征，將空間特征輸入至分割解碼器，分割解碼器計算到空間類別概率時輸出，將空間類別概率值大于等于預(yù)設(shè)概率值的位置置1，小于預(yù)設(shè)概率值的位置置0，所獲得的二值掩碼圖即為絕緣子故障檢測結(jié)果，值為1表示該位置存在絕緣子故障。

21、另一方面，一種基于類別余弦映射的絕緣子故障檢測裝置，包括：

22、絕緣子故障檢測模型訓(xùn)練模塊，用于從真實數(shù)據(jù)集合與合成數(shù)據(jù)集合中獲取圖像數(shù)據(jù)、故障標(biāo)簽以及類別標(biāo)簽；利用類別余弦偏置編碼將類別偏置編碼進圖像數(shù)據(jù)獲得編碼結(jié)果，利用特征提取網(wǎng)絡(luò)提取編碼結(jié)果中的空間特征；利用類別余弦偏置解碼緩解空間特征中的偏置信息以獲得類別特征，利用多標(biāo)簽分類器獲取類別特征與類別標(biāo)簽的分類損失；利用分割解碼器獲取空間特征與故障標(biāo)簽的掩碼損失；基于分類損失與掩碼損失對絕緣子故障檢測模型進行優(yōu)化，完成模型訓(xùn)練；

23、絕緣子故障檢測模塊，用于使用訓(xùn)練好的絕緣子故障檢測模型對待檢測圖像數(shù)據(jù)進行故障檢測。

24、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

25、本發(fā)明利用類別余弦偏置將類別偏置信息編碼至圖像數(shù)據(jù)中，并利用輔助的多標(biāo)簽分類優(yōu)化模型對類別差異的感知能力，進而緩解合成圖像與真實場景間的分布差異，提升合成圖像的可用性，使得基于合成圖像的檢測更加準(zhǔn)確。

技術(shù)特征：

1.一種基于類別余弦映射的絕緣子故障檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，從真實數(shù)據(jù)集合與合成數(shù)據(jù)集合中獲取圖像數(shù)據(jù)、故障標(biāo)簽以及類別標(biāo)簽，如下所示：

3.根據(jù)權(quán)利要求1所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，利用類別余弦偏置編碼將類別偏置編碼進圖像數(shù)據(jù)獲得編碼結(jié)果，利用特征提取網(wǎng)絡(luò)提取編碼結(jié)果中的空間特征，如下所示：

4.根據(jù)權(quán)利要求3所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，利用類別余弦偏置解碼緩解空間特征中的偏置信息以獲得類別特征，利用多標(biāo)簽分類器獲取類別特征與類別標(biāo)簽的分類損失，如下所示：

5.根據(jù)權(quán)利要求1所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，利用分割解碼器獲取空間特征與故障標(biāo)簽的掩碼損失，如下所示：

6.根據(jù)權(quán)利要求1所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，基于分類損失與掩碼損失對絕緣子故障檢測模型進行優(yōu)化的方法為隨機梯度下降法。

7.根據(jù)權(quán)利要求1所述的基于類別余弦映射的絕緣子故障檢測方法，其特征在于，使用訓(xùn)練好的絕緣子故障檢測模型對待檢測圖像數(shù)據(jù)進行故障檢測，具體包括：

8.一種基于類別余弦映射的絕緣子故障檢測裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于類別余弦映射的絕緣子故障檢測方法及裝置，涉及人工智能、機器視覺領(lǐng)域，包括：從真實數(shù)據(jù)集合與合成數(shù)據(jù)集合中獲取圖像數(shù)據(jù)、故障標(biāo)簽以及類別標(biāo)簽；利用類別余弦偏置編碼將類別偏置編碼進圖像數(shù)據(jù)，利用特征提取網(wǎng)絡(luò)提取編碼結(jié)果中的空間特征；利用類別余弦偏置解碼緩解空間特征中的偏置信息以獲得類別特征，利用多標(biāo)簽分類器獲取類別特征與類別標(biāo)簽的分類損失；利用分割解碼器獲取空間特征與故障標(biāo)簽的掩碼損失；基于分類損失與掩碼損失完成模型訓(xùn)練。本發(fā)明將正常、故障絕緣子以及合成圖像的類別差異通過余弦偏置編碼至圖像數(shù)據(jù)中，引導(dǎo)模型理解合成圖像與真實場景中的分布差異，最終提升合成數(shù)據(jù)在實踐中的有效性。

技術(shù)研發(fā)人員：潘文杰,朱建清,曾煥強,陳婧,施一帆,蔡磊,龔鑫榮,蔡燦輝
受保護的技術(shù)使用者：華僑大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2