一种小样本下基于深度学习的电力设备分类方法
专利汇可以提供一种小样本下基于深度学习的电力设备分类方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了 图像处理 领域内的一种小样本下基于 深度学习 的电 力 设备分类方法，包括以下步骤：步骤1：通过变电站设备检测装置获取标准化的电力设备红外图像；步骤2：建立电力设备红外图像样本库，制作训练集、验证集和测试集；步骤3：建立小样本学习网络，使用样本库的训练集对所建立的 卷积神经网络 进行训练，并通过验证集对模型进行验证，训练后得到网络模型的连接权值和偏置参数；步骤4：利用训练好的网络模型，对测试集中的红外图像进行分类，产生电力设备红外图像的分类结果，本发明在样本量较少的情况下获得很好的效果并且不需要大量的训练时间，可用于电力设备管理控制中。，下面是一种小样本下基于深度学习的电力设备分类方法专利的具体信息内容。
1.一种小样本下基于深度学习的电力设备分类方法，其特征在于，包括以下步骤：
步骤1：通过变电站设备检测装置获取标准化的电力设备红外图像；
步骤2：建立电力设备红外图像样本库，制作训练集、验证集和测试集；
步骤3：建立小样本学习网络，使用样本库的训练集对所建立的卷积神经网络进行训练，并通过验证集对模型进行验证，训练后得到网络模型的连接权值和偏置参数；
步骤4：利用训练好的网络模型，对测试集中的红外图像进行分类，产生电力设备红外图像的分类结果。
2.根据权利要求1所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤1中，通过红外热像仪在巡检轨道上拍摄红外图像，其中所采集的红外图像中包含的电力设备有：套管、避雷器、穿墙套管、导线、电缆终端、电力电缆、电力电容器、电流互感器、电压互感器、端子箱、断路器、放电线圈、高压熔断器、隔离开关、变压器、开关柜、屏柜、散热器；并将每张图像旋转90度，180度，270度，扩充数据集。
3.根据权利要求2所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤2中，将采集到的电力设备红外图像按照设备的类别分到不同的文件夹下，并且将每一个文件夹下的图片统一命名格式，按照类的标号加上不同的数字命名；将每个类的图像按照预设的比例分成训练集、验证集和测试集，分别将训练集、验证集和测试集的图像文件名复制到不同的文本文档下。
4.根据权利要求3所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：有18个类的电力设备，每个类从训练集选取十个样本作为支持集，再选出数十个样本作为查询集。
5.根据权利要求1所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤3中，采用12层的残差网络作为主干特征提取器fθ，包含4块深度为3的区块，每个区块带有3*3卷积核和捷径连接，每个块的末尾是2*2的最大池化层；同时设置一个辅助特征提取器，加上任务嵌入模块组成小样本学习网络。最后通过辅助任务共训练来训练网络。
6.根据权利要求5所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：将每个类支持集里的样本投影到同一空间中，对于每个类型的样本提取他们的中心点作为原型，使用欧几里得距离作为距离度量，训练使得本类别数据到本类原形表示的距离为最近，到其他类原形表示的距离较远。测试时，对测试数据到各个类别的原形数据的距离做softmax，来判断测试数据的类别标签。
7.根据权利要求5所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：训练方法具体包括以下步骤：
步骤3.1：每个类从训练集选取少量样本作为支持集，再选出少量样本作为查询集，支持集 包括K个类的M个样本，每个类的查询集 其中xi为样本，
yi为相应的标签；给定支持集S中的信息，学习算法能够从查询集Q中对每个样本进行分类，然后定义一个相似度度量映射函数将支持集内维数为D的样本映射到M维的度量空间内；
步骤3.2：为每个类计算出一个类的原型表示为ck，其中支持集Sk表示支持集内第k个类，类别的原型ck是对支持集中的所有的向量化样例数据取均值得到的，
步骤3.3：通过网络提取原型特征，并使用softmax函数作用在查询集特征向量点到原型ck的距离，度量空间内样本之间距离选择的是欧氏距离，训练过程是通过随机梯度下降法来最小化目标函数Jθ，其中θ是一个可以学习的参数，x为查询集内的样本，欧式距离最小的归为同一个类；
J(θ)＝-logpθ(y＝k|x)
步骤3.4：在主干特征提取网络的基础上，加上一个辅助特征提取器fψ，新的特征提取器是由四个普通的卷积块组成的卷积神经网络，每个卷积块包括卷积层，批量归一化层，relu激活层以及最大池化层。加上一个根据动态任务条件特征调节的模块，简称任务嵌入模块(如图3所示)；主干特征提取器和辅助特征提取器提取的特征输入到任务嵌入模块并根据特定任务进行调节，任务嵌入模块输出的特征和主干提取器提取的特征一起映射到度量空间并综合俩种特征进行分类。任务嵌入模根据特定任务输出的偏移向量使得网络提取器的输出具有更好的泛化性。形式上，hl+1＝γ⊙hl+β，其中γ，β分别是作用于hl层的缩放和偏移向量，具体地，使用类原型的均值作为任务表示，即任务网络的输入，针对每个卷积层中得到不同的γ，β，任务网络使用两个分开的全连接残差网络生成这两个向量，增加了L2范数惩罚项γ0，β0，可以限制γ，β的效果，gτ和hδ是β和γ的预测值；
β＝β0gτ(ck)
γ＝γ0hδ(ck)+1
步骤3.5：将训练集送入网络进行训练，训练的每个批次为随机从训练集中选择的一个类子集，从这些类子集中为每个类选择m个样例数据作为支持集，n个样例数据作为查询集，辅助任务共训练分为两步，第一步遍历支持集，任务网络针对每一个卷积层预测γ，β的值，第二步使用刚刚生成的γ，β对支持集和查询集进行特征提取，选择欧氏距离度量找到每个查询集的实例对应的原型类别，最后将度量的输出输入softmax层，将训练集里的数据提取出M个子集，每个子集的数据可以有重合的部分，训练集只需要少量样本，训练周期设置为N次，通过训练，逐步提升识别准确率，通过验证集进行验证，发现准确率较高，训练出的网络符合要求。
8.根据权利要求1所述的一种小样本下基于深度学习的电力设备分类方法，其特征在于：在步骤4中，将测试集中的红外图像输入步骤3所搭建小样本学习网络，对红外图像进行分类并得到结果。
一种小样本下基于深度学习的电力设备分类方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种单相接地放大接地电流的系统和方法 | 2020-05-13 | 611 |
| 带有隔离开关的高压户外真空开关 | 2020-05-11 | 562 |
| 基于贝叶斯网络的社区配电网动态风险评估方法及装置 | 2020-05-12 | 590 |
| 一种恒压供水控制装置 | 2020-05-08 | 752 |
| 熔断器式隔离开关 | 2020-05-13 | 393 |
| 一种分体式智能配电系统 | 2020-05-15 | 362 |
| 一体化智能型台式变电站 | 2020-05-16 | 757 |
| 预装式柱上配变装置 | 2020-05-13 | 897 |
| 一种联纵操作的高压隔离开关 | 2020-05-14 | 345 |
| 一种新型熔断器式隔离开关 | 2020-05-16 | 65 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
