一种输电设备图像异常检测方法

技术领域

本发明涉及图像处理技术领域，具体的，涉及一种输电设备图像异常检测方法。

背景技术

随着电网系统规模的不断扩大，如何对输电设备进行有效的检测和维护已成为业界关注的重点。为了减少巡检过程中的人力消耗，目前的方法主要是派无人机进行巡检拍照，然后利用深度学习识别故障设备。但是为了不影响人们的日常生活，大多数电力传输设备通常建在植被茂盛的农村地区。这使得无人机拍摄的电力设备照片存在目标不够准确清晰的问题，异常检测目标往往受到背景环境的影响，这严重影响了异常识别效果。此外，受到终端设备计算资源的限制，研究输电设备巡检图像异常特征量的简化分析方法也很必要。

发明内容

本发明的目的是提出一种输电设备图像异常检测方法，采用结合实际场景特征的图像增强技术，有效地改善了图像中异常检测目标的特征表示，并构建了一种新的轻量级模型Light CNN，能够更好地满足计算资源不足的终端设备的需求。

为实现上述技术目的，本发明提供的一种技术方案是，一种输电设备图像异常检测方法，包括如下步骤：

S1、获取历史巡检图像，通过增强图像对比度的方式实现图像特征增强；

S2、通过滤波技术过滤无用像素值，放大图像特征；

S3、构建Light CNN网络模型实现图像异常检测。

作为优选，S1中，使用线性变换增强原始图像对比度，对比度增强后的图像g(x，y)表示为：

原始图像f(x，y)的灰度范围为[m，M]，经过处理的图像g(x，y)的灰度范围为[n，N]，当转换因子

作为优选，S2包括如下步骤：

S21，从第一行开始遍历图像的像素点，计算每个像素点的通道平均值；在获得通道平均值后过滤掉大于设定阈值T

S22，计算每行中被过滤掉的像素数的最小值m作为每行要过滤的像素数；垂直遍历图像，重复执行S21和S22。

作为优选，S22包括如下步骤：

使用Fisher Yates随机错位法破坏每行中的滤波像素，并随机移除m个像素。

作为优选，S3包括如下步骤：

S31，H×W×3的图像作为Light CNN网络模型的输入，利用卷积块学习输入图像的特征，得到特征图；其中，卷积块包括卷积层、批归一化层、激活层和最大池化层；

S32特征图经过全连接层以得出最终结果，其中结果为“是”表示检测图像中的异常，反之亦然。

作为优选，S31包括如下步骤：

S311，卷积层对原始图像进行卷积核滤波，得到图像的特征映射；

S312，通过批归一化层规范输入值，并将尺度方差减小到相同的范围；

S313，通过Leak ReLu激活函数来增加模型的非线性；

S314，使用最大池化层来压缩数据，提取特征图。

作为优选，S311中，卷积层的输出通过多个卷积核运算得到：

其中，

本发明的有益效果：本发明提出了一种输电设备图像异常检测方法，采用结合实际场景特征的图像增强技术，有效地改善了图像中异常检测目标的特征表示，并构建了一种新的轻量级模型Light CNN，能够更好地满足计算资源不足的终端设备的需求。

附图说明

图1为本发明的一种输电设备图像异常检测方法的流程图。

图2为本发明的具体实施例的一种方法流程图。

图3为本发明的Light CNN网络模型结构图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：如图1所示，一种输电设备图像异常检测方法，包括以下步骤：

S1、获取历史巡检图像，通过增强图像对比度的方式实现图像特征增强；

使用一种增强图像对比度来实现对图像的特征增强方法，具体的实现步骤为：

S11，利用无人机进行电网输电线巡检，获得历史巡检图像；

S12，图像对比度增强；使用线性变换，增强原始图像对比度，对比度增强表示为：

g(x，y)＝T[f(x，y)]

线性变换过程表示为：

原始图像f(x，y)的灰度范围为[m，M]，经过处理的图像g(x，y)的灰度范围为[n，N]，当转换因子

S2、通过滤波技术过滤无用像素值，放大图像特征，以提高识别效率。

实现步骤为：

S21，从第一行遍历图像的像素点，计算每个像素点的通道平均值，其公式如下：

n为通道数，每个通道的值为C

S22，计算每行中被过滤掉的像素数的最小值m作为每行要过滤的像素数。使用FisherYates随机错位算法破坏每行中的滤波像素，并随机移除m个像素。

最后，垂直遍历图像，再次执行上述步骤。

S23，对于样本不均衡问题的处理方式。

S231，首先利用CB Loss方法来解决数据不平衡问题，这是一种基于每个类别中有效样本数量的加权策略，用于重新平衡损失并获得类别平衡损失函数。

S232，再使用focal Loss处理难以区分的样本，其公式如下：

FL(p

S3、如图3所示，构建Light CNN网络模型实现图像异常检测。

具体的实现步骤如下：

S31，输入H×W×3的图像，然后利用卷积块学习输入图像的特征，得到特征图，卷积块包括卷积层、批归一化层、激活层和最大池化层。

S311，首先，卷积层对原始图像进行卷积核滤波，得到图像的特征映射，卷积层的输出可以通过多个卷积核运算得到，这个过程可以表示为：

S312，然后，通过批归一化层规范输入值，并将尺度方差减小到相同的范围。批归一化层首先找到每批数据的均值和方差，然后减去均值并用数据除以方差。

S313，进一步，通过Leak ReLu激活函数来增加模型的非线性，表示为：

S314，最后，使用最大池化层来压缩数据，提取主要特征。

S32，将卷积块后的图像特征经过全连接层以得出最终结果，“是”表示检测图像中的异常，反之亦然。

如图2所示，一种结合实际场景特征的图像增强技术和轻量化图像异常检测模型，有效地改善了图像中异常检测目标的特征表示并节约了终端设备的计算资源。如图2所示，针对实施例的一种输电设备图像异常检测方法的具体实施方式如下：

首先利用无人机进行电网输电线路巡检，获得历史巡检图像1886张，其中有缺陷的列为正样本，没有缺陷的列为负样本，最终得到正样本270张，负样本1616张。

然后构造三类数据集：

SMALL数据集：负样本282张(过滤和去除不重要特征的负样本)，正样本270张；

MIDDLE数据集：负样本1616张，正样本270张；

LARGE数据集：负样本1616张，正样本1620张(将正样本复制六次)。

数据集划分：按照8：1：1的比例将数据集划分为训练集、验证集和测试集。

图像对比度增强：首先对原始图像进行对比度增强，主要是通过改变原始图像的灰度值来实现图像增强。通过增加对比度，可以使输电设备的灰度特征更加明显，更好地与周围环境区分开来，使深度学习模型能够更快地学习异常设备的特征。

无用像素值过滤：采用滤波算法过滤图像中无用的像素值，相对放大了有用的特征像素，可以在一定程度上保留有用的特征像素。

特征增强后的数据集重新命名为SMALL-FE,MIDDLE-FE and LARGE-FE。

然后使用图像分类中的经典模型及Light CNN对处理后的三个数据集进行测试，经典模型包括VGG,ViT,PVT,Swin-T,MLP-mixer,实验中为这些方法设置了相同的参数，以确保实验的有效性。

最后选择AUC,ACC,Recall三个指标来测试不同数据集下，原始图像与图像增强后图像的实验效果。

最终得出结果，将特征增强后的平衡数据集与原始数据集的实验结果进行对比发现，本发明的特征增强方法大大提高了对原始数据的智能分析，使模型更好地用学习特征表示。

然后使用VGG11,VGG13,ViT,PVT等模型与Light CNN对处理后的三个数据集进行测试,设置Light CNN全连接层的层数分别为1、2、3，对应模型LCNN_1、LCNN_2和LCNN_3。

选择AUC,ACC,Recall三个指标来测试不同数据集下，其他模型与Light CNN模型的实验效果。

最终发现，与transformer模型相比，Light CNN在学习细节特征方面更有效，而且参数远小于其他模型。Light CNN在全连接层数为3时保证了异常特征检测的效果最佳，同时大大节约了终端设备的计算资源。

以上所述之具体实施方式为本发明一种输电设备图像异常检测方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。