[发明专利]基于迁移学习的绝缘子老化光谱分类方法

说明书

本发明提供基于迁移学习的绝缘子老化光谱分类方法，包括下列步骤：采集绝缘子老化光谱图像，并对所述绝缘子老化光谱图像进行归一化处理，通过构建CNN网络实现对归一化后的绝缘子老化光谱图像的第一次特征提取；构建LSTM网络，将CNN网络所输出的特征提取结果作为LSTM网络的输入，实现对归一化后的绝缘子老化光谱图像的第二次特征提取；构建DAA网络，将LSTM网络的前4层替换迁移到DAA网络中，生成LSTM+DAA网络，将LSTM网络的输出结果作为LSTM+DAA网络的输入，实现对绝缘子老化的分类。

技术领域

本发明涉及绝缘子老化检测技术领域，尤其涉及一种基于迁移学习的绝缘子老化光谱分类方法。

背景技术

绝缘子作为电力输电线路中不可缺少的绝缘元件，它的运行状况将影响电网的可靠性和安全性。据统计，目前电力系统故障中所占比例最高的事故是由绝缘子缺陷引起的。当前传统的人工巡检方式存在一定的安全隐患、效率低、效果差，易出现漏检等问题。近年来，机器人和无人机被代替人工应用在巡检工作中，仍然存在一些不足之处，如大量的视频数据给工作人员的视觉带来疲劳，严重影响对绝缘子状态判断的准确性。随着信息技术的不断发展，深度迁移学习算法能够对得到的绝缘子图像进行自动识别和状态判断，这将大大提高巡线的效率。而目前的传统绝缘子老化程度分类算法仍然存在目标特征提取慢、识别率低等问题。

发明内容

本发明的目的在于提供基于迁移学习的绝缘子老化光谱分类方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：基于迁移学习的绝缘子老化光谱分类方法，包括下列步骤：

采集绝缘子老化光谱图像，并对所述绝缘子老化光谱图像进行归一化处理，通过构建CNN网络实现对归一化后的绝缘子老化光谱图像的第一次特征提取；

构建LSTM网络，将CNN网络所输出的特征提取结果作为LSTM网络的输入，实现对归一化后的绝缘子老化光谱图像的第二次特征提取；

构建DAA网络，将LSTM网络的前4层替换迁移到DAA网络中，生成LSTM+DAA网络，将LSTM网络的输出结果作为LSTM+DAA网络的输入，实现对绝缘子老化的分类。

可选的，所构建的CNN网络由3个卷积层、3个池化层组成。

可选的，所构建的LSTM网络由6个卷积层、6个池化层、三个控制门组成，所述控制门包括遗忘门、输入门、输出门。

可选的，将LSTM网络的2个卷积层、2个池化层替换迁移至DAA网络中，生成LSTM+DAA网络，所述LSTM+DAA网络还包括了3个卷积层、2个池化层、判别器、2个全连接层、softmax层和输出层。

可选的，所述判别器中包括第一损失方程：

式中n_s为训练集的数据量，n_t为测试集的数据量，D_s为训练集数据集合域，D_t为测试集数据集合域，L_d为训练集合域和测试集合域中对应的域适应损失，G_d为特征判别器，G_f特征提取器，x_i训练集的初试特征，d_i为伪标签。

可选的，所述判别器中包括第二损失方程：