一种增强性电力传输线故障图像识别方法
文献发布时间:2023-06-19 13:45:04
技术领域
本发明属于无移动网络区域电力传输线监控技术领域,具体涉及一种增强性电力传输线故障图像识别方法。
背景技术
我国地脉辽阔,山川河流众多。由于地理条件影响人口分布不均匀,这导致我国仍有大范围无移动网络区域存在。高压电力传输线多数分布在人口稀少或无人区域,这些区域移动网络覆盖率较低,每个监控节点的距离跨度较大,使监控信息回传造成很大不便,因此需要针对上述场景及问题提出一种无移动网络区域电力传输线监控信息传输方法。
目前,由于电力传输线的设置区域中无移动网络区域面积很大,而且节点之间跨度较大必须采用无线传输的模式。无线传输的传输带宽有限,很难保证大量节点监控视频的同时实时传输。目前的解决方案只能针对小范围的电力传输线进行监控。对于大范围的无移动网络区域,仍存在故障发现不及时、无移动网络节点传输模式设置不合理的问题。
发明内容
本发明的目的在于提供一种增强性电力传输线故障图像识别方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取电力传输线的历史图像,构造训练数据集,标注出训练数据集中存在故障的图像;
步骤2:对训练数据集中所有图像进行自适应去噪对比度增强处理,利用当前点亮度与其邻域平均亮度的关系,增强图像的局部对比度,当前点的亮度高于邻域平均亮度时则增强该点亮度;
步骤3:将训练数据集中的所有图像从彩色图像RGB模式转为CIE-LAB模式;对CIE-LAB模式图像做离散二维小波变换,将图像信号分解为高频部分和低频部分;对所有高频部分用Bayes shrink阈值做软门限,并做小波阈值;对所有低频部分进行双边滤波;
步骤4:将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式;
步骤5:采用训练数据集训练卷积神经网络,采用二分类对比交叉熵损失函数进行训练,得到电力传输线故障判断模型;
所述的二分类对比交叉熵损失函数为:
其中,N为训练数据集中图像样本的数量;y
步骤6:获取电力传输线的实时图像,执行步骤2至步骤4对图像进行处理后输入至训练好的电力传输线故障判断模型中,得到故障识别结果。
本发明还可以包括:
所述的步骤2中对训练数据集中所有图像进行自适应去噪对比度增强处理的具体实施公式为:
I
其中,I
其中,G
所述的步骤3中对CIE-LAB模式图像做离散二维小波变换的公式为:
其中,x,y,u,v同为图像空间的坐标;f(x,y)是按照核函数分解后的极数部分; s(x,y,u,v)=s
所述的步骤4中将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式的具体方法为:
步骤4.1:将图像从CIE-LAB模式转为CIE-XYZ模式,转换公式为:
其中,X
步骤4.2:将图像从CIE-XYZ模式转为CIE-RGB模式,转换公式为:
其中b
本发明的有益效果在于:
本发明通过对自适应对比度增强图像预处理以及交叉熵损失函数的改进,提出了一种增强性电力传输线故障图像识别方法。根据故障识别结果,改变系统的传输模式。从而实现高压电力传输线监控信息的快速回传,解决实际传输过程中传输设备吞吐量问题。
附图说明
图1为本发明实施例中训练集图片RGB模式下各个通道示意图。
1-a)为本发明实施例中训练集图片原图示意图。
1-b)为本发明实施例中训练集图片R通道灰度示意图。
1-c)为本发明实施例中训练集图片G通道灰度示意图。
1-d)为本发明实施例中训练集图片B通道灰度示意图。
图2为本发明实施例中训练集图片自适应对比度增强过程示意图。
2-a)为本发明实施例中训练集图片原图示意图。
2-b)为本发明实施例中训练集图片自适应对比度增强图示意图。
2-c)为本发明实施例中训练集图片灰度图示意图。
2-d)为本发明实施例中训练集图片灰度图对比度增强图示意图。
图3为本发明实施例中训练集图片二维小波变换过程示意图。
3-a)为本发明实施例中训练集图片二维小波变换低频部分示意图。
3-b)为本发明实施例中训练集图片二维小波变换高频部分HL示意图。
3-c)为本发明实施例中训练集图片二维小波变换高频部分HH示意图。
图4为本发明与传统识别方法识别正确率与测试集样本点数关系图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明通过对自适应对比度增强图像预处理以及交叉熵损失函数的改进,提出了一种增强性电力传输线故障图像识别方法,包括以下步骤:
步骤1:获取电力传输线的历史图像,构造训练数据集,标注出训练数据集中存在故障的图像;
步骤2:对训练数据集中所有图像进行自适应去噪对比度增强处理,利用当前点亮度与其邻域平均亮度的关系,增强图像的局部对比度,当前点的亮度高于邻域平均亮度时则增强该点亮度;
对训练数据集中所有图像进行自适应去噪对比度增强处理的具体实施公式为:
I
其中,I
其中,G
步骤3:将训练数据集中的所有图像从彩色图像RGB模式转为CIE-LAB模式;对CIE-LAB模式图像做离散二维小波变换,将图像信号分解为高频部分和低频部分;对所有高频部分用Bayes shrink阈值做软门限,并做小波阈值;对所有低频部分进行双边滤波;
对CIE-LAB模式图像做离散二维小波变换的公式为:
其中,x,y,u,v同为图像空间的坐标;f(x,y)是按照核函数分解后的极数部分;s(x,y,u,v)=s
步骤4:将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式;
步骤4.1:将图像从CIE-LAB模式转为CIE-XYZ模式,转换公式为:
其中,X
步骤4.2:将图像从CIE-XYZ模式转为CIE-RGB模式,转换公式为:
其中b
步骤5:采用训练数据集训练卷积神经网络,采用二分类对比交叉熵损失函数进行训练,得到电力传输线故障判断模型;
所述的二分类对比交叉熵损失函数为:
其中,N为训练数据集中图像样本的数量;y
步骤6:获取电力传输线的实时图像,执行步骤2至步骤4对图像进行处理后输入至训练好的电力传输线故障判断模型中,得到故障识别结果。
进一步地,当传输信息为电力传输线发生故障时,采用实时传输的模式;当传输的信息为电力传输线正常运行时,采用定时传输的模式。
实施例1:
本发明的目的是针对解决无移动网络实际环境的信息传输模式,主要解决了无移动网络区域回传速度慢、实时性不好以及传输设备吞吐量不足的问题。本发明提出了一种增强性电力传输线故障图像识别方法,根据识别系统信息传输的系统状态改变系统的传输模式。从而实现高压电力传输线监控信息的快速回传,解决实际传输过程中传输设备吞吐量问题。
首先是自适应去噪对比度增强处理,图1为实施例中训练集图片RGB模式下各个通道示意图。接下来结合本系统所用方法进行说明。对于自适应对比度增强方法如下:利用当前点亮度与其邻域平均亮度的关系,增强图像的局部对比度。当前点的亮度高于邻域平均亮度时则增强该点亮度。具体实施公式为I
其中σ
然后利用小波分解把信号分解为高频和低频部分。首先将彩色图像RGB模式转为CIE-LAB模式,然后对图像做离散二维小波变换:
最后对于所有高频部分用Bayes shrink阈值做了软门限,然后对高频做小波阈值,对低频采用双边滤波。上述流程中在软件中得到的输出结果如图3所示。如图3所示为训练集图片二维小波变换过程示意图。进行二维小波变换后图像输出一个低频部分,其他为高频部分 (已在附图说明中标注)。对高频部分进行软门限判决(根据计算结果)。本步骤主要目的为除去训练集图片的噪声,若经过一次二维小波变换不能满足精度要求可以进行多次处理。
上一阶段经过预处理部分对比度增强处理,输出的图像为CIE-LAB模式,现在需要将 CIE-LAB模式转为CIE-RGB模式,具体步骤如下:首先将CIE-LAB模式转为CIE-XYZ转换公式为
训练集图片进行预处理后形成了新的训练集,接下来需要选择合适网络进行训练。首先要确定输入的特征个数,特征个数就是输入层的节点数。输出层的个数为需要分类的个数。隐藏层越多计算结果越精确,但是计算量增大,消耗更多的时间。本部分是分方法的必要一环,在网络选择上根据故障识别这种图像识别机制,选择resnrt-50网络,主要训练参数S (BTNK1左右两个1×1卷积层是否下采样来实现电力传输线的故障识别训练网络)与参数C 和C1(BTNK1左侧第一个1×1卷积层是否减少通道数)等,由于具体训练过程由计算机所实现,不是本发明的重点内容,此处不再详细说明。
在训练过程中,重要的是结合网络输出的score进行矫正,在本发明中采用了二分类对比交叉熵损失函数对高压输电线路故障判断网络进行训练。在二分的情况下,模型最后需要预测的结果只有两种情况,对于每个类别的预测得到的概率为p和1-p,此时表达式为:
其中N为样本数量;y
将上述损失函数作为网络训练的出口函数,对网络进行训练,具体流程为:神经网络最后一层得到每个类别的得分scores(也叫logits),该scores经过sigmoid(或softmax)函数获得概率输出,然后模型预测的类别概率输出与真实类别的形式进行对比交叉熵损失函数的计算。通过对训练集结合损失函数对网络的训练,最终得到了网络的训练参数,可以对系统进行应用,图4是本实例中训练的识别情况和现有故障识别的效果进行了对比,不能看出,在训练集数量一定多的情况下。同等规模的训练集识别的要优于传统方法。
最后根据所得到的高压输电线路故障判断网络对传输图像进行实时判别:当传输信息为电力传输线发生故障时,采用实时传输的模式;当传输的信息为电力传输线正常运行时,采用定时传输的模式。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 一种增强性电力传输线故障图像识别方法
- 一种基于改进神经网络的电力设备图像的故障识别方法