(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210146676.6 (22)申请日 2022.02.17 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312000 浙江省绍兴 市胜利东路58号 申请人 江南大学　 国网浙江省电力有限公司 (72)发明人 倪宏宇　宋金根　周辉　姚建立　 黄苏　林祖荣　颜文旭　储杰　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 秦晓刚 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01)G06V 10/77(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于半监督学习的电力设备缺陷检测 方法及设备 (57)摘要 本发明公开了一种基于半监督学习的电力 设备缺陷检测方法及设备， 获取电力设备的高维 图像后， 执行如下步骤： S1： 基于拉普拉斯特征值 映射的图像降维算法对高维图像进行降维操作， 把降维后的数据作为输入样本； S2： 根据输入样 本的类标签， 基于最优反向预测算法来设定目标 函数； S3： 特征空间最优分解， 以得到半监督 笛卡 尔K均值模型； S4： 采用拉普拉斯正则化的最优反 向预测算法构建半监督的量化模型； S5： 半监督 的量化模型的优化； S6： 基于图像的缺陷检测系 统根据优化 半监督的量化模型。 本发 明将标记数 据集成到量化步骤中， 以提供标签信息， 减少数 据重建误差， 并给出了优化半监督笛卡尔k均值 的算法， 使函数能够得到最小值。 权利要求书3页 说明书8页 附图1页 CN 114693597 A 2022.07.01 CN 114693597 A 1.一种基于半监督学习的电力设备缺陷检测方法， 其特征在于， 获取电力设备的高维 图像后， 执 行如下步骤： S1： 基于拉普拉斯特征值映射的图像降维算法对高维图像进行降维操作， 把降维后的 数据作为输入样本； S2： 根据输入样本的类标签， 基于最优反向预测算法来设定目标函数， 目标函数包含两 项， 分别为聚类中心矩阵与标签矩阵均未知的无监督聚类算法以及标签已知的监督学习约 束项； S3： 特征空间最优分解， 以得到半监 督笛卡尔K均值模型； S4： 采用拉普拉斯 正则化的最优反向预测算法构建 半监督的量化模型； S5： 半监督的量化模型的优化； S6： 基于图像的缺陷检测系统根据优化半监 督的量化模型实现电力设备缺陷检测。 2.根据权利要求1所述的一种基于半监督学习的电力设备缺陷检测方法， 其特征在于， 目标函数如下： 其中 和 分别是训练实例矩阵和标记矩阵， 是未标 记的数据矩阵， 是未知的标签矩阵， η2是交易参数， Y(L)和B使用1 ‑K编码方案， P表 示实例的维数， NL和NU分别是标记和未 标记实例的数量， K 是簇的数量。 3.根据权利要求2所述的一种基于半监督学习的电力设备缺陷检测方法， 其特征在于， 所述特征空间的最优分解包括如下步骤： S31： 采用乘积量化算法， 使得每个子空间中的码字均 通过采用K均值聚类生成， 该 聚类 相对于b和C迭代地优化平方失真误差； S32： 笛卡尔K均值通过在公式(1.2)中的映射矩阵C 的列上施加正交约束来获得ANN搜 索任务的空间分解方法； S33： 聚类中心的正交约束保证聚类中心表示为C≡RD， 其中R是旋转矩阵， RTR＝RRT＝I， 将公式(1.2)重新表示为公式(1.3)， 最小化(1.3)关于R， D和B， 所获得的旋转矩阵R和聚类 中心D再结合公式(1.3)以获得失真误差； M是子空间的编号； S34： 在量化过程中将公式(1.1)代入公式(1.3)并给出半监督的笛卡尔K均值算法， 给权　利　要　求　书 1/3 页 2 CN 114693597 A 2定标记数据集 和未标记数据集 其中P是实例的维 数， K是量化中心的数量， NL和NU是标记和未 标记数据实例的数量； S35： 基于输入空间分解策略， 半监 督笛卡尔K均值表示 为 s.t.R(T)R＝RR(T)＝I S36： 利用希尔伯特 ‑施密特不相关性 准则对特 征空间进行分解。 4.根据权利要求3所述的一种基于半监督学习的电力设备缺陷检测方法， 其特征在于， 将拉普拉斯 正则化项引入公式(1.4)， 并得到以下公式： 其中， μ是平均值向量输入数据； Y(L)和B 都是量化标签且未知， L是拉普拉斯矩阵， L ＝W‑D； W是相似矩阵， Dii＝∑jWi， j。 5.根据权利要求4所述的一种基于半监督学习的电力设备缺陷检测方法， 其特征在于， 优化公式(1.5)， 且仅保留与Y(L)相关的项： 进一步计算得： 在获得量化Y(L)的基础上， 通过计算每个量化簇中所有标记数据X(L)的平均值来获得簇 中心D； 基于预测的聚类中心D， 通过采用KN N聚类算法获得 未标记数据的标签矩阵B， 如下： 根据标记数据X(L)、 未标记数据X(U)及其量化标签Y(L)和B， 更新聚类中心D， 如下： 采用笛卡尔K ‑means算法来更新R， 基于：权　利　要　求　书 2/3 页 3 CN 114693597 A 3