(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210378321.X (22)申请日 2022.04.12 (71)申请人 四川思极科技有限公司 地址 610000 四川省成 都市天府新区兴隆 街道湖畔路西段9 9号 (72)发明人 唐冬来　李科峰　陈文康　杨梅　 钟声　陈泽宇　谢飞　龚奕宇　 聂潇　康乐　钟旭　付世峻　 李擎宇　周鹏　 (74)专利代理 机构 成都知都云专利代理事务所 (普通合伙) 51306 专利代理师 陈钱 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/30(2022.01)G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/75(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于正样本学习的变电站避雷器破损 识别方法及装置 (57)摘要 本发明提供的一种基于正样本学习的变电 站避雷器破损识别方法及装置， 涉及数字电力技 术领域。 为解决变电站避雷器破损样本图片少、 图像检测模 型识别成功率低的问题， 提出了一种 基于正样 本学习的变电站避雷器破损识别方法。 该方法首先进行对滤图像噪声数据， 再采用边缘 点检测算法判断出变电站避雷器的图像区域； 最 后采用图像语义分割算法提取变电站避雷器的 图像区域数据。 在此基础上， 采用正常避雷器样 本特征数据对 卷积神经网络进行训练， 获得正确 变电站避雷器正样本数据； 并将有缺陷的图片和 正样本进行比较， 识别有差异的特征， 有差异的 即为避雷器破损区域。 权利要求书3页 说明书9页 附图4页 CN 114708442 A 2022.07.05 CN 114708442 A 1.一种基于正样本学习的变电站避雷器破损识别方法， 其特征在于， 包括图像数据采 集步骤、 图像特 征提取步骤、 正样本学习步骤和损破识别步骤； 图像数据采集步骤， 采集变电站避雷器的图像数据， 其中， 所述图像数据包括待识别图 像数据和正样本标准图像数据； 图像特征提取步骤包括： 图像噪声数据过滤， 通过噪声过滤算法对输入图像数据进行 去噪处理， 并得到去噪图像数据； 避 雷器边缘检测， 通过边缘检测算法对输入图像中的避 雷 器图像进 行边缘特征提取， 并得到图像边缘特征数据； 避雷器图像区域特征提取， 通过语意 分割算法 并结合图像边缘特征数据， 对输入图像中避 雷器图像进 行区域划分和区域特征提 取， 得到图像区域特 征数据； 正样本学习步骤包括： 高纬特征编码， 通过对正样本标准图像数据对应的去噪图像数 据进行高纬特征编码， 得到正样本标准高纬特征数据； 高纬特征记忆， 对正样本标准高纬特 征数据和对应的去噪图像数据进 行存储， 得到正样本标准图像数据库； 高纬特征解码， 通过 建立正样本学习模型， 并通过正样 本标准高纬特征数据进行训练， 得到正样 本重建模型， 所 述正样本重建模型用于将待识别图像数据按照正样本标准高纬特征数据进行高纬特征解 码重建， 得到正样本 重建图片； 破损识别步骤包括： 图像对比， 采集待识别图像数据和正样本标准图像数据， 并分别通 过图像特征提取步骤和正样本学习步骤进行处理， 再通过图像对比算法计算差异， 得到对 比相似度； 异常样本输出， 将对比相似度低于正常样本阈值的图像数据进 行输出， 得到异常 图像数据； 异常区域获取， 通过对异常图像数据的图像边缘特征数据进 行差异对比， 得到异 常区域数据； 避雷器破损输出， 根据异常区域数据对异常图像数据进 行划分， 得到避 雷器破 损图像数据， 并将避雷器破损图像数据进行输出， 完成破损识别。 2.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征 在于， 所述噪声过 滤算法包括图像腐蚀和膨胀形态学计算； 所述图像腐蚀用于对输入图像数据进行高亮区域缩 减， 图像腐蚀表达式为： 其中， Fa为输入图像数据， J为卷积腐蚀模板， v为卷积模板类型， Jv为不同类型的卷积 腐蚀模板； 所述膨胀 形态学计算用于对经过图像腐蚀的输入图像数据进行膨胀去噪处理， 得到去 噪图像数据； 膨胀形态学计算表达式为： 其中， Fa为输入图像数据， J为卷积膨胀模板， v为卷积模板类型， Jv为不同类型的卷积 膨胀模板 。 3.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征 在于， 所述边缘检测算法通过Sobel算子边缘检测算法执行， 包括 获得输入图像数据的一阶 梯度， 再对输入图像数据四周的灰度加权差进行计算， 并检测边缘处的极值； 得到图像边缘 特征数据。 4.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征权　利　要　求　书 1/3 页 2 CN 114708442 A 2在于， 所述语意分割算法通过DFA Net网络进 行部署； 获取输入图像数据高维特征， 并保留输 入图像数据的空间信息； 利用金字塔池化模组处理输入图像数据高维特征， 得到图像区域 特征数据。 5.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征 在于， 所述正样本学习模型通过CNN卷积神经网络进行部署， 所述CNN卷积神经网络的正 向 传播误差Ea为： 其中， na为训练用图像数据总数量， nb为训练用图像数据的特征维度， Si为不同的训练 用图像数据， Kj为不同的CN N卷积神经网络 输出； 所述CNN卷积神经网络的反向传播 误差Ha为： Ha＝(Ea×wa)β×φ 其中， Ea正向传播误差， wa为CNN卷积神经网络的层权重， Φ为传输灵敏度， β 为激活函 数。 6.根据权利要求1所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征 在于， 所述图像对比算法通过结构相似性图像比较法进行部署， 并通过如下公式计算对比 相似度： 其中， A为正样本 标准图像 数据， B为待识别图像 数据， Ax为正样本 标准图像 数据平均值， By为待识别图像数据平均值， λA为正样本标准图像数据的方差， λB为待识别图像数据的方 差， λAB为正样本标准图像数据和待识别图像数据的协方差； f1与f2分别为图像比对维持稳 定常数。 7.根据权利要求1至权利要求6任一项所述的一种基于正样本学习的变电站避雷器破 损识别方法， 其特 征在于， 通过如下步骤 对正样本标准图像数据进行处 理： S1.1采集 正常状态下的变电站避雷器图像， 作为 正样本标准图像数据； S1.2对正样本标准图像数据进行降噪处 理， 得到正样本标准图像降噪数据； S1.3重复S1.1与S1.2步骤， 并对数据进行保存， 得到正样本标准图像数据库； S1.4对正样本标准图像数据库进行高维特 征编码， 得到正样本标准高纬特 征； S1.5将正样本标准高纬特征用于正样本学习模型训练， 完成训练， 得到正样本重建模 型。 8.根据权利要求7所述的一种基于正样本学习的变电站避雷器破损识别方法， 其特征 在于， 通过如下步骤 对待识别图像数据进行处 理： S2.1对待识别的变电站避雷器进行实拍， 得到待识别图像数据； S2.2对待识别图像数据进行降噪处 理， 得到待识别图像降噪数据； S2.3对待识别图像降噪数据边 缘检测， 得到待识别避雷器边 缘特征数据； S2.4对待识别图像降噪数据边缘检测结合待识别避雷器边缘特征数据， 得到避雷器图权　利　要　求　书 2/3 页 3 CN 114708442 A 3