[发明专利]基于文本分类和图像识别的配网带电作业条件判别方法

权利要求书

1.基于文本分类和图像识别的配网带电作业条件判别方法，其特征在于，包括以下步骤：

S1.从电网公司生产管理系统导出配电线路外部条件数据，生成配电线路带电作业外部条件判别文本数据库；

S2.在配电线路现场采集图片，形成线路设备条件数据，生成线路设备图像数据库；

S3.对文本数据库和图像数据库进行预处理，包括：将线路外部条件和线路设备条件分别对应不同的分值生成条件分值表，条件分值表反映每种条件对应的分值，分值大小反映每种条件所占的比重；以矩阵或向量的形式对文本进行表示，对图像进行分割和提取得到具有不变性的特征表示；

S4.搭建基于机器学习的中文文本自动分类模型和基于机器学习的图像识别分类模型；

S5.将预处理后的文本数据库和图像数据库分成训练集和测试集两大类，利用训练集数据分别对搭建好的基于机器学习的中文文本自动分类模型和基于机器学习的图像识别分类模型进行有监督的训练，然后利用测试集数据测试训练好的模型识别的准确率，通过调整参数使模型对测试集中的数据识别的准确率达到90％以上；

S6.对配电线路划分评分等级，将新采集数据导入训练好的模型中，模型识别带电作业判别条件特征并评分，根据总评分值对应评分等级判别该条件下是否满足带电作业条件要求；

所述步骤S4搭建基于机器学习的中文文本自动分类模型的具体操作为：以词为单位进行文本表示形成词向量，再将词向量按照词在句子中出现的顺序进行拼接，形成代表句子的矩阵，然后送入基于深度学习技术的卷积神经网络模型中，在词向量的基础上，实现句子特征的自动提取和学习，最后实现缺陷文本的自动分类；

所述步骤S4搭建基于机器学习的图像识别分类模型的具体操作为：先以国际大型视觉对象的分类识别和检测挑战赛的数据库为模板建立图像识别数据库，用以存放经过预处理后的图像数据，然后送入基于深度学习技术的卷积神经网络模型中，在图像预处理的基础上，实现图像特征的自动提取和学习，最后实现图像数据中线路设备条件的打分分类。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1的线路外部条件数据包括：供电区域、电网结构、N-n检验、地形、用户接入和配电自动化水平。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2的线路设备条件数据包括：架空线、杆型、开断设备、变电设备、绝缘设备和金具。

4.根据权利要求1所述的方法，其特征在于，所述基于深度学习技术的卷积神经网络模型为一个四层的卷积神经网络模型，具体形式为：

第一层为输入层，输入层为一个未分类的外部条件对应的词组矩阵W∈R^s×n，W代表一个未分类的外部条件对应的词组，R代表该词组转换的矩阵，矩阵的每一行代表词组中每个词对应的向量，行数s为词组的词数，列数n为向量的维数；

第二层为一维卷积层，采用列数与W相同、行数为h的卷积矩阵窗口I∈R^h×n，与输入层矩阵W的每个h行n列矩阵块由上到下依次进行卷积运算，其中每一个卷积窗口能从输入的矩阵R中抽取出一个特征图特征，称为文本特征；

第三层为池化层，采用最大池化的方法，取每个卷积窗口卷积得到的特征图向量中最大的元素作为特征值，从而提取各个卷积窗口对应的特征值，并将所有特征值依次拼接构成池化层的一维向量，即为代表句子全局特征的向量；

第四层为输出层，输出层与池化层全连接，以池化层的一维向量为输入，经过激活函数输出，再加上丢失层去除部分数据防止过拟合，最后采用softmax分类器对一维向量进行分类，并输出最终的分类结果。

5.根据权利要求1所述的方法，其特征在于，所述基于深度学习技术的卷积神经网络模型包含三大块组件网络模型：

第一块为预训练前端网络，采用ResNet50作为预训练模型，首先ResNet50网络模型中不包含全连接层的模型参数到本地，然后定义ResNet50的网络结构，再加载模型权重参数到定义的网络结构中，最后更改最后一个全连接层的结构，以较低的学习率开始训练，得到预训练好的前端网络模型；

第二块为预选区域网络，预选区域网络是将训练集中图像作为输入，输出矩形目标预选区域的集合，每一个预选区域有一个得分，这个得分来判断所选的区域是否为目标所在区域；为了生成矩形目标预选区域，通过在预训练前端网络最后一个共享卷积层后面添加一个小的滑动窗口，这个滑动窗口全连接到输入卷积特征映射的空间窗口上，每个滑动窗口映射到一个低维向量上，这个向量输出给预选区域回归层和预选区域分类层，预选区域回归层最后输出预选区域的坐标编码，预选区域分类层最后输出预选区域的得分，通过得分判断该预选区域是否为目标所在区域，然后把为真的矩形目标预选区域集合送到下一级网络中进行分类识别；

第三块为快速区域化卷积神经网络，快速区域化卷积神经网络跟预选区域网络共享预训练前端网络初始化的共享特征层，在预训练前端网络对图像进行卷积网络特征提取之后，经预选区域网络输出矩形目标预选区域，生成矩形目标预选区域卷积特征图，取出矩形目标预选区域卷积特征图上对应的深度特征，用一个矩形目标预选区域池化层将通道内的全部特征统一成相同大小，生成一个固定维度的特征图，最后经过两个全连接特征层得到特征向量，特征向量再经由各自的全连接层中的两个多任务模型来完成图像中线路设备的识别和框选；所述两个多任务模型为基于柔性最大值传输函数的识别分类模型和预选区域窗口回归模型。