基于图像识别技术的电网缺陷精确识别方法

技术领域

本发明属于图像识别技术，尤其是一种电网输电线路缺陷的图像识别技术。

背景技术

输电线路的运行维护检修工作是电网最重要的主营业务之一，对输电线路缺陷的巡查和消除对电网安全运行有至关作用。而缺陷的定级工作关系着修理工作的及时性，影响了电网的可靠性。电网对缺陷的判定制定了相应的标准，《输电设备缺陷定级标准（运行分册）》2015版。该标准对输电线路缺陷进行了分类描述，并对缺陷等级进行了分级定义，但仅仅通过参照规范中缺陷定级的文字描述对一线员工在实际工作中进行缺陷判定仍然存在一定的模糊，如“轻微锈蚀”和“严重锈蚀”的界定范围，因此不同人员容易依据自己的主观判断对缺陷进行定级，导致缺陷定级出现误差，从而影响到缺陷的消缺工作，对电网可靠的安全运行造成了风险和威胁。尤其是目前输电线路所有缺陷均需要录入至资产系统进行管控，按计划消缺，准确的缺陷定级，即准确的缺陷描述代表了缺陷的数据质量，如果一线员工仅仅通过凭自己的经验对缺陷进行定级，系统中缺陷的数据质量将强依赖于员工经验的准确性，数据质量如果不高，对消除缺陷工作计划的有效性有着很大的影响。

图像相对于文字描述更为直观，因此，通过使用图像使缺陷可视化，加强员工对于缺陷规范的直观理解很有意义。

近年来，随着信息技术、人工智能机器学习技术的发展，图像识别技术不断进步，已经较为成熟。利用图像识别技术结合移动互联网，辅助员工第一时间更加准确的判断缺陷、定级缺陷，非常有利于提升输电线路缺陷定级准确率和效率，从而正确指导消缺工作计划的安排，对因定级不准导致的未及时消除的缺陷威胁电网正常运行的风险的避免有着重要意义。

发明内容

本发明的目的是提出一种电网输电线路缺陷的图像识别方法，更加准确的判断缺陷、定级缺陷，有利于提升输电线路缺陷定级准确率。

基于图像识别技术的电网缺陷精确识别方法，其特征在于：

首先，构建可视化缺陷标准库；

所述的标准库基于电网缺陷标准，在原有文字描述的基础上，增加照片数据并关联相应的分类和定级；

其次，对缺陷图像建立机器学习模型；

设计机器学习模型，利用拍摄的缺陷图片进行监督训练，让模型学会判断缺陷类型和缺陷等级，即由机器进行图像的识别；

最后，建立系统Web端和移动应用端；其中：

web端具备缺陷可视化展现功能，以及在缺陷管理标准变化时再次编辑、再次启动模型训练的功能；

开发移动应用端具备现场可视化查询功能和现场照相识别，以及进行辅助缺陷定级功能。

所述的电网缺陷标准是指《输电设备缺陷定级标准（运行分册）》2015版。

所述的图像识别是在已有大量缺陷图片中首先通过大数据数据清洗技术对图片质量进行筛选，建立高质量、典型的缺陷图片库，并通过缺陷专家对典型图片打上类别、类型标签，设计开发具备缺陷识别模型，通过训练和评测纠错对模型进行微调完善。

缺陷等级智能分类与现实缺陷等级的精准匹配是按照人工智能建立一个不断完善优化的模型，对识别率低的缺陷图片，构建测试集，持续学习，通过深度机器学习技术进行建模并进行大量模型训练、持续调优模型，提升缺陷需求匹配的精确度。

为提高现场识别的性能，建立微服务图像识别服务体系和进行云端图像处理，保证数据运算的性能，提高模型或识别的识别、分类速度。

本发明的方法可用于缺陷知识培训、现场工作缺陷知识查询，缺陷辅助判定。将提升输电线路缺陷定级准确率和效率，从而正确指导消缺工作安排，避免因定级不准导致的缺陷遗留威胁电网运行有的隐患。

利用信息技术手段优化电网消缺工作的有效性和准确性，提升电网输电缺陷管理工作的水平向智能运维迈进。通过本方法提高了电网缺陷处理工作的信息化水平，推动了输电缺陷知识的及时传播和使用，保障了电网的安全稳定运行，节约了电网人工成本，降低了安全风险造成的经济损失。

具体实施方式

实施例1：基于图像识别技术的电网缺陷精确识别方法，包括以下步骤：

（1）构建可视化缺陷标准库。

在已有大量缺陷图片中通过大数据数据清洗技术对图片质量进行筛选，建立高质量、典型的缺陷图片库，并通过缺陷专家对典型图片打上类别、类型标签。

（2）对缺陷图像建立机器学习模型。

实现电网部件缺陷的智能判断，基础是缺陷部件的标注，而标注是需要投入大量资源，周期长，干扰因素过多，因此采用基于深度学习的图像标签生成算法。深度学习的方法通过权重的逐层预训练，将网络权重首先优化到最优解的附近，然后通过反向传播过程对网络权重进行微调，得到整个神经元网络的最优解。首先采用RBM或者DAE模型对网络权重进行预训练，然后将预训练得到的每层权重值作为反向传播算法的权重初始值赋予整个神经网络，最后采用反向传播算法更新整个网络的权重。

所述神经网络针对图像标签分布不均匀的问题，本发明将图像的标签频率引入到监督信息中，通过改善神经网络的监督向量改进模型的准确度。

进一步，为了增加标注的准确性，更加有效的返回低频标签。本发明改进了神经网络的损失函数，每一维的监督信息不再平等对待。含有低频标签的样本具有更大的权重，而低频标签所对应的监督信息具有更大的权重。

（3）建立系统Web端和移动应用端。

web端是基于J2EE语言SpringBoot框架开发的web端和手机移动端应用。SpringBoot框架可实现B/S应用开发的要求。移动端基于React框架编写，可将基本的功能在手机端复现。在图像自动标签、目标识别或分类方面结合Tensorflow成熟开源框架技术并加以定制化开发，使其更符合电网缺陷图片智能需求场景。

本发明中，从大量数据生产环节中采集数据利用深度学习算法链对异构数据源，建立多层抽象数据学习模型，进行抽象知识的挖掘推理。同时使用Docker和 Kubernetes构建企业容器云，搭建多层感知器模型(Multi Layer Perceptron)模拟学习神经元行为，通过内建不同场景的配置器对组建应用场景上下文相关的多层次隐层算法链，自主总结数据特征，从而归纳和演绎成深层次的模式规律，根据导入数据以及目标模型设定，为最终解决生产环节的目标问题提供优化方案以及效果仿真训练，通过实现局部感知与权值共享。每个神经元无需对全局图像做感受，只需要感受局部区域（Feature Map）在高层会将整个些感受不同局部的神经元综合起来获得全局信息。每个神经元参数设为相同，即权值共享，也即每个神经元用同一个卷积核去卷积图像，从而加快训练速度。

应用架构数据层是部件缺陷智能分类系统的基础,也是最终所展示数据的来源。在应用中数据层分为数据库访问逻辑模块和底层数据实体两部分,主要功能如下：数据访问逻辑模块以方法的形式封装“连接建立”、“数据访问”、“数据封装”等功能并提供给上层直接调用,达到获取数据的目的。底层数据实体是数据访问逻辑模块操作的对象底层数据实体为的提供数据端来源和依据。

应用架构模型层是系统的核心层，它承接数据与业务的整合。它读取数据用于深度学习、模型调优。同时为设计层提供部件缺陷等级分类的人工智能服务。模型层的建立有技术人员发起，包括神经网络参数微调、数据端和设计端的接口对接。