基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法

实现智能电表可视故障的精准检测,对电网计量现场的高效运维至关重要。不同故障电表的布局结构高度相似,其特征呈现类间方差小的特点,细粒度图像分类方法是此条件下挖掘鉴别性特征的有效手段。在目前主流研究中,混淆拼图机制引导模型学习固定粒度的特征,但容易导致拼图块内的特征冗余或不完整。掩码机制通过恒定遮挡非鉴别性特征区域来突出鉴别性特征,但忽视了该区域中有助于分类的信息。该文提出了一种基于鉴别性粒度自适应设定和衰退掩码的智能电表可视故障分类方法。首先,对训练图像构建注意力图,以呈现目标特征的重要性分布,将图中重要特征的轮廓尺寸转换为等效粒度值并进行聚类挖掘,获得反映目标特征尺寸特点的鉴别性粒度值,据此自适应设定拼图的划分粒度,有效保留拼图块内语义特征完整性的同时减少冗余信息;在此基础上,根据目标特征重要性分布挖掘非鉴别性特征区域,并对其施加掩码,在迭代训练中衰减掩码概率,逐步降低对该区域的遮挡程度,引导模型学习此区域中有助于分类的特征信息;最后结合渐进式多粒度特征引导学习框架,融合不同粒度的特征信息以完成分类。在多个权威公开的细粒度图像分类数据集和智能电表可视故障数据集开展大量实验,与10种典型细粒度图像分类方法对比,验证了所提方法在准确率等指标上的先进性。