[发明专利]基于深度学习的多光谱图像融合电力物联网故障点检测方法

说明书

本发明公开了一种基于深度学习的多光谱图像融合电力物联网故障点检测方法，包括以下步骤：1)获取若干电力物联网设备的多光谱图像，再对各多光谱图像进行预处理；2)基于深度卷积神经网络使用特征空间距离对多光谱图像进行描述；3)将多光谱图像作为训练样本输入到深度卷积神经网络中对深度卷积神经网络进行训练；4)利用训练后的深度卷积神经网络对待检测多光谱图像进行检测，得电力物联网的故障点位置，该方法能够实现电力物联网故障点的准确检测。

技术领域

本发明属于故障检测领域，涉及一种基于深度学习的多光谱图像融合电力物联网故障点检测方法。

背景技术

电力是国家的经济命脉，是支撑国民经济的重要基础产业之一。随着计算机技术、传感器技术和通信技术的快速发展和广泛应用，电力物联网设备已经投入实际工作。这给生产带来了很多方便，但也逐渐暴露出一些问题。由于电力物联网中的多源和极其复杂的设备信息，这在一定程度上给电力物联网应用的互操作性带来了困难。这些挑战包括检测电力物联网设备中的故障点。故障检测严重依赖人员经验，检测效率低。如今，虽然电力设备故障检测与诊断技术发展迅速，各种类型的电力设备故障都有相应的检测技术，但人们在电力物联网设备故障检测方面仍然面临着各种困难。电力物联网设备对生产和生活至关重要。一旦出现问题，将会造成巨大的经济损失和社会影响。因此，对电力物联网设备故障点检测技术的研究将有助于提高设备的稳定性，保证电网的安全高效运行。

在现有的电力设备故障检测中，各种检测方法都可以起到一定的作用，但是仍然存在很多不足。首先，中国电网分布范围广，仅靠人力配合进行故障检测是远远不够的。其次，电网中的设备故障多种多样，这就要求故障检测方法或模型具有很高的泛化能力，并能应对各种设备故障。最后，现有的故障检测方法不能满足智能电网框架下快速准确的故障检测要求。因此，我们需要一种新的方法来准确检测电力物联网设备并及时诊断设备故障。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于深度学习的多光谱图像融合电力物联网故障点检测方法，该方法能够实现电力物联网故障点的准确检测。

为达到上述目的，本发明所述的基于深度学习的多光谱图像融合电力物联网故障点检测方法包括以下步骤：

1)获取若干电力物联网设备的多光谱图像，再对各多光谱图像进行预处理；

2)基于深度卷积神经网络使用特征空间距离对多光谱图像进行描述；

3)将多光谱图像作为训练样本输入到深度卷积神经网络中对深度卷积神经网络进行训练；

4)利用训练后的深度卷积神经网络对待检测多光谱图像进行检测，得电力物联网的故障点位置。

步骤4)的具体操作为：

从待检测多光谱图像中提取候选区域，再将所有候选区域调整到统一的大小，然后再输入到训练后的深度卷积神经网络中，利用分类器或者softmax对候选区域进行分离，以确定电力物联网的故障点位置。

步骤1)中对多光谱图像进行预处理的具体过程为：对多光谱图像进行图像配准、图像增强及图像融合操作。

利用基于灰度的图像配准方法、基于变换域的图像配准方法或基于特征的图像配准方法对多光谱图像进行图像配准。

利用线性变换方法、分段线性变换方法或直方图均衡化方法对多光谱图像进行图像增强。

基于连续小波变换进行图像融合。

本发明具有以下有益效果：