CN109034184B - 一种基于深度学习的均压环检测识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的均压环检测识别方法，涉及电力设备检修领域，包括均压环图像样本预处理、特征提取、训练检测模型、均压环部件检测等步骤。本发明的基于深度学习的均压环检测识别方法，可适应非特定角度复杂背景下的均压环检测识别需求，达到较好的使用效果。

Description

一种基于深度学习的均压环检测识别方法

技术领域

本发明涉及电力设备维护技术领域，具体涉及一种基于深度学习的均压环检测识别方法。

背景技术

均压环，即等电位连接环，是输电线路的重要组成部件，用于消除环形各部位之间没有电位差，从而达到均压的效果。由于输电线路要长期经受风吹、雨淋、日晒，加上自身机械疲劳，会使得均压环发生倾斜、锈蚀等故障缺陷，使均压环不能正常的发挥作用，进而导致输电线路发生危险。输电线路上均压环的主要作用是使电压在整个绝缘子或绝缘子串上均匀分布，一旦发生故障，会使相电压在整个绝缘子或绝缘子串上不是呈均匀分布，并加速绝缘子老化。因此，需要对均压环进行定期的检修和维护。按照传统的依赖人工进行检测识别，不仅耗时，也耗人力和财力。随着自动化、智能化、高速化技术的发展，如何快速准确地检测识别和识别输电线路的均压环已成为数字图像处理领域中的一个热门课题。

目前，对均压环识别的方法主要分为两大类：基于模板检测识别的算法和基于机器学习的方法，前者主要通过一些常见的算法对原图像进行模板匹配，后者主要通过学习均压环的特征进行识别。目前国内外对均压环识别有一些研究，王士成分别利用BP神经网络和Adaboost机器学习算法，实现了对均压环的识别，论证了在高速条件下获取的图像中识别与定位多个均压环的可行性。张桂南等通过均压环模板匹配的方法及光线反射点特性实现了均压环定位。然而，上述各方法应用于输电线路均压环故障识别中均存在一定缺陷：一是准确度不高，应用范围较窄；二是由于电力系统中均压环图像采集多由人工或航拍来完成，以需求的特定角度及焦距在特定的光照环境下进行拍摄，背景变化多，较为复杂，以上方法不具有普遍性，不能很好运用到实际系统中。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于深度学习的均压环检测识别方法，可适应非特定角度复杂背景下的均压环检测识别需求。

为达到以上目的，本发明采取的技术方案是：

一种基于深度学习的均压环检测识别方法，包括以下步骤：

S1、以采集的原均压环图像作为图像源，进行预处理；

S2、对预处理后的均压环图像样本，使用卷积神经网络提取图像多层次特征，形成均压环训练图像；

S3、将获得的均压环训练图像组合形成样本集，输入待训练的检测模型中，以无监督的前向传播算法和后向传播算法交替进行的方式，调整卷积神经网络中的权重以及偏置参数，最终确定最优化的模型参数；

S4、根据最优化的模型参数，初始化检测网络，批量采集输电线路图片数据，进行均压环的自动识别和定位。

在上述技术方案的基础上，所述步骤S1中，根据拍摄图像存在的问题进行预处理，所述存在的问题包括抖动和模糊，所述预处理包括防抖和去噪；其中，使用双边滤波或中值滤波对原均压环图像进行去噪处理。

在上述技术方案的基础上，在所述步骤S2前，还包括：在预处理图像的基础上，通过对预处理后的均压环图像进行多次旋转、尺度扰动和/或颜色空间变换，生成多幅类似的均压环图像。

在上述技术方案的基础上，所述颜色空间变换的具体方法包括：

对样本集RGB图像进行PCA主成分变换，获得主成分变量及其对应特征值；

对特征值分配不同的系数，以实现对图像光照强度和饱和程度的变换，上述步骤中主成分变量及其对应特征值由如下公式计算：

其中，pⁱ(i＝1,2,3)为图像RGB通道对应的特征向量，λⁱ(i＝1,2,3)为特征向量对应的特征值，αⁱ(i＝1,2,3)为每个特征值的扰动系数，该系数通过均值为1，标准差为0.1的高斯函数获得。

在上述技术方案的基础上，所述步骤S2具体包括：

使用视觉方法在预处理后的均压环图像样本中生成大量候选区域；对每个候选区域使用卷积神经网络进行特征提取，形成高维特征向量；将获得的高维特征向量送入线性分类器，计算属于各个类别的概率，判断其所包含的对象；通过精细回归计算目标外围框的位置和大小。

在上述技术方案的基础上，所述步骤S3中，采用由输入向量和理想输出向量构成的向量对，输入待训练的检测模型中。

在上述技术方案的基础上，所述步骤S3中包括：

在训练图像网络的对后一个卷积层的特征图后添加一个新的卷积层；在该卷积层进行卷积运算，获得各位置对应的多维特征向量，并通过该特征向量预测各位置属于目标的概率；将多维特征向量通道内的全部特征串联成高维特征向量作为输入向量。

在上述技术方案的基础上，所述步骤S4具体包括：

对输入图像进行卷积运算，获得特征图；使用区域建议网络在特征图上生成多个候选区域框；对候选区域框内容通过非最大值抑制算法进行评分筛选，按预设数量保留得分较高的候选区域框；取特征图上候选区域框内的特征形成高维特征向量，由检测网络计算类别得分，并预测更合适的目标外围框位置。

在上述技术方案的基础上，所述步骤S4中，通过分类函数判断候选区域框是否目标区域，通过边框回归函数获得目标。

在上述技术方案的基础上，在所述步骤S3前，对权重矩阵中所有的权重值使用不同的小随机数进行初始化。

与现有技术相比，本发明的优点在于：

(1)本发明的基于深度学习的均压环检测识别方法通过深度卷积神经网络进行自我训练和学习，通过图像变换扩充数据集，以及调整CNN模型中的卷积核大小和参考矩阵值等步骤，实现了对背景情况复杂的普通巡检照片进行自动均压环识别和检测，在实际应用中可大幅减少巡检人员成本，提高工作效率，实现对电力系统安全状态的有效评估。

(2)本发明的基于深度学习的均压环检测识别方法通过卷积神经网络提取待识别图像的特征块，进行自主特征提取和学习，大大减少了自我学习过程的时间成本，避免了现有技术中需大量专业人士手工标定特征图片进行学习，人工标定成本过高的问题。

附图说明

图1为本发明实施例中基于深度学习的均压环识别方法的流程图；

图2为本发明实施例中基于深度学习的均压环识别方法采集样本图；

图3为本发明实施例中基于深度学习的均压环识别方法的深度卷积网络结构图；

图4为本发明实施例中基于深度学习的均压环识别方法的sigmoid函数；

图5为本发明实施例中基于深度学习的均压环识别方法的均压环检测识别效果图。

具体实施方式

以下结合附图及实施例对本发明作进一步详细说明。

本发明中使用的卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

每层由多个二维平面组成，也称为特征图(feature map)，每个特征图是由多个独立神经元组成。图4提供了一个本发明中使用卷积网络的实例，图中的卷积网络工作流程如下：

输入层接收原始图像，然后，卷积和下采样交替进行，层数越多，表达的特征越全局，如下所述：

第一隐藏层进行卷积，它由8个特征图组成，每个特征图由28×28个神经元组成，每个神经元指定一个5×5接受域的信号；

第二隐藏层实现局部子抽样和局部平均，它同样由8个特征图组成，但其每个特征图由14×14个神经元组成。根据图像空间局部相关性原理，对图像进行子抽样既可以去除无关信息，也能保留重要的特征信息。每个神经元具有一个2×2的接受域，一个可训练系数，一个可训练偏置和一个如图5所示sigmoid激励函数。

第三隐藏层进行第二次卷积，它由20个特征图组成，每个特征图由10×10个神经元通道组成。该隐藏层中的每个神经元通道可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作。

第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征图组成，但每个特征图由5×5个神经元组成，它与第一次抽样相似的方式操作。

第五个隐藏层实现卷积的最后阶段，它由120个神经元通道组成，每个神经元指定一个5×5的接受域。

最后是个全连接层，得到输出向量。

参见图1所示，本发明实施例提供一种基于深度学习的均压环识别方法，包括以下步骤：

S1、均压环图像样本预处理步骤：以采集的原均压环图像作为图像源，检测拍摄图像是否存在抖动、模糊等问题，并进行去噪、防抖等处理；

S2、特征提取步骤：对预处理后的均压环图像样本，使用卷积神经网络提取图像多层次特征，形成均压环训练图像；

S3、训练检测模型步骤：将获得的均压环训练图像组合形成样本集，输入待训练的检测模型中，以无监督的前向传播算法和后向传播算法交替进行的方式，调整卷积神经网络中的权重以及偏置参数，最终确定最优化的模型参数；

S4、均压环部件检测步骤：根据识别训练得到的模型参数，初始化检测网络，批量采集的输电线路图片数据，进行均压环的自动识别和定位。

下面分别就各步骤进行具体说明：

S1、均压环图像样本预处理步骤。由于均压环图像在获取的过程中，受拍摄条件、地面油污、CCD噪声、人为等因素影响，会对获取的均压环图像产生噪声干扰。因此实施例首先对原始图像进行去噪处理，它可以提高图像的信噪比，能有效地增强均压环特征，抑制部分背景噪声，增强均压环和背景的对比。使用常规的算法进行去噪处理时，可能会对均压环边缘产生模糊效果，本发明实施例基于双边滤波进行去噪处理，它不仅能去除噪声，也能很好的提取均压环图像边缘，取得很好的去噪效果。双边滤波器由两个函数构成：一个函数是由几何空间距离决定滤波器系数，另一个由像素差值决定滤波器系数，具体实现为现有技术。因此双边滤波器具有很好的去噪保边效果。当然，此处除双边滤波外，也可以选用其他的滤波方法，如中值滤波等。以预处理后的路面图像为原始图像进行后续步骤的处理。

优选的，在进行预处理后，对获得的图像数据进行扩充。

在训练时常发生过拟合问题，其是指训练的模型对训练样本拟合非常好，但是对样本以外的实际数据预测效果较差的情况，即泛化能力较差。卷积神经网络中减小过拟合最常见的方法就是数据扩充。样本数量足够多，种类足够丰富，识别检测识别的精度越高，过拟合的情况就越少。因此，为了增强检测识别方法的鲁棒性，在采集样本之前，对预处理过的图像进行数据扩充，改变图像对比度，人为添加模拟噪声等方式，扩充待采集样本的多样性，以满足在不同拍摄角度、拍摄天气、拍摄尺度等背景条件下，仍然能精确的识别均压环。采用的方法包括以下几种：几何变换、颜色空间扰动、尺度扰动。

(1)几何变化：在规定范围内对图像进行旋转、改变图像的大小以及位移等方法，生成不同几何变换条件下的新图像。本文对原始图像分别在8个不同的方向进行旋转，并对旋转后的图像进行水平翻转，因此得到的数据集的规模为原来的16倍。无人机拍摄的均压环的角度多样，通过几何变换扩充后的数据可以很好训练出高精度的均压环检测模型，并且能很好的避免过拟合的情况。

(2)颜色空间扰动：通过对图像RGB彩色通道进行操作计算，改变RGB的颜色强度。最常见的方法是对样本集RGB图像进行PCA主成分变换，获得主成分变量及其对应特征值，对特征值分配不同的系数，以实现对图像光照强度、饱和程度的扰动。具体方法如下公式所示：

其中，pⁱ(i＝1,2,3)为图像RGB通道对应的特征向量，λⁱ(i＝1,2,3)为特征向量对应的特征值，αⁱ(i＝1,2,3)为每个特征值的扰动系数，该系数通过均值为1，标准差为0.1的高斯函数获得。

除此之外，本文还可采用将三个彩色空间的像素围绕平均像素强度线性变换加减一个标准偏差或两个标准偏差的方法实现图像对比度变换。

通过多种方法实现的颜色空间扰动很好的对图像光照强度、色彩饱和度、对比度等扰动，极大的增加了样本数据集的丰富程度，降低因为拍摄光照条件以及均压环自身色彩不同引起的过拟合情况，有效地提升了模型的识别精度。

(3)尺度扰动

尺度扰动是通过对目标物体的大小以及形状进行变换干扰，增加训练样本集中目标物体形状、大小的多样性。定义图像输入的大小为H*W，S为尺度缩放后的最短边。裁剪尺度固定为224*224，理论上尺度缩放参数S可以取不小于224的任何值。如果S＝224，裁剪获取短边图像，若S远远大于224，裁剪部分对应于对象图像的一部分或者包含整个小对象。通过设定尺度缩放参数S，以达到尺度扰动的作用，对样本集进行数据扩充。主要采用以下两种策略实现尺度扰动：一是单一尺度的数据扩充：固定尺度缩放参数S＝256，即将图像短边缩放到256，在此基础上进行随机裁剪出224*224的图片，并作为卷积神经网络的输入；二是多尺度的数据扩充：将尺度缩放参数S进行范围设定，在这个范围区间内，随机选取不同大小的S值对样本图像进行缩放。通过单一尺度和多尺度扰动相结合的方法实现原始样本集的数据扩充，以满足无人机拍摄均压环不同大小，不同形状等特点，增强了均压环样本集形状和大小的丰富程度，提高模型的检测识别精度。

S2、特征提取步骤，对预处理后的均压环图像样本，使用卷积神经网络提取图像多层次特征，形成均压环训练图像；具体的，可使用视觉方法在预处理后的均压环图像样本中生成大量候选区域；对每个候选区域使用卷积神经网络进行特征提取，形成高维特征向量；将获得的高维特征向量送入线性分类器，计算属于各个类别的概率，判断其所包含的对象；通过精细回归计算目标外围框的位置和大小。

考虑到均压环包含双串均压环、均压屏蔽环、单串均压环、复合绝缘子均压环等多种类别，在识别前必须得首先确定要采集样本的类别，并针对每一种类别，分别进行均压环样本的采集。因此，可将每一种均压环类别，尽可能保证样本数量足够多，场景足够丰富。样本越丰富，均压环检测识别的效果越好，采集结果如图2-图3所示。

S3、训练检测模型步骤：将获得的均压环训练图像组合形成样本集，输入待训练的检测模型中，以无监督的前向传播算法和后向传播算法交替进行的方式，调整卷积神经网络中的权重以及偏置参数，最终确定最优化的模型参数；

具体的，可使用步骤S2中获得的均压环训练图像组合形成样本集，初始化预训练样本集；在训练图像网络的对后一个卷积层的特征图后添加一个新的卷积层；在该卷积层进行卷积运算，获得各位置对应的多维特征向量，并通过该特征向量预测各位置属于目标的概率；将多维特征向量通道内的全部特征串联成高维特征向量作为输入向量；将输入向量与预先标记的理想输出向量形成向量对；

使用所述向量对，通过无监督的前向传播算法和后向传播算法交替进行的方式，不断的调整卷积神经网络中的权重以及偏置参数。

卷积网络执行的是有导师训练，所以其样本集是由形如输入向量、理想输出向量的向量对构成的。所有这些向量对，都应该是来源于网络即将模拟的系统的实际“运行”结果。训练的过程主要分为两个阶段，如下：

A、前向传播

1)从样本集中取一个样本(X,Y)，将X输入网络；

2)经过卷积、子抽样、激励函数、全连接等重复计算，计算相应的实际输出O，在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。

B、后向传播

1)首先计算实际输出结果O与相应的理想输出Y的差；

2)根据差结果，按极小化误差的方法反向传播调整权矩阵。

通过对采集到的样本的学习，不断的对卷积神经网络中权重参数进行调整，最终可以得到神经网络模型。

S4、均压环部件检测步骤：根据识别训练得到的模型参数，初始化检测网络，批量采集的输电线路图片数据，进行均压环的自动识别和定位。通过已经确定好了的神经网络模型，将待检测图像作为输入变量，经过神经网络模型的不断映射，最后确定出均压环所在图像中的位置，得出检测识别结果。

具体的，步骤S4包括以下内容：对输入图像进行卷积运算，获得特征图；使用区域建议网络在特征图上生成多个候选区域框；对候选区域框内容进行非最大值抑制算法进行评分筛选，通过分类函数判断候选区域框是否目标区域，并按预设数量保留得分较高的候选区域框；取特征图上候选区域框内的特征形成高维特征向量，由检测网络计算类别得分，通过边框回归函数获得目标边框，并预测更合适的目标外围框位置。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种基于深度学习的均压环检测识别方法，其特征在于，包括以下步骤：

S1、以采集的原均压环图像作为图像源，进行预处理；

S2、对预处理后的均压环图像样本，使用卷积神经网络提取图像多层次特征，形成均压环训练图像；

S3、将获得的均压环训练图像组合形成样本集，输入待训练的检测模型中，以无监督的前向传播算法和后向传播算法交替进行的方式，调整卷积神经网络中的权重以及偏置参数，最终确定最优化的模型参数；

S4、根据最优化的模型参数，初始化检测网络，批量采集输电线路图片数据，进行均压环的自动识别和定位；

在所述步骤S2前，还包括：在预处理图像的基础上，通过对预处理后的均压环图像进行几何变化、尺度扰动和/或颜色空间变换，生成多幅类似的均压环图像；

所述几何变化的具体方法为：在规定范围内对图像进行旋转、改变图像的大小以及位移来生成不同几何变换条件下的新图像；

所述尺度扰动是通过对目标物体的大小以及形状进行变换干扰，增加训练样本集中目标物体形状、大小的多样性；具体方法为单一尺度扰动和多尺度扰动相结合；

所述步骤S3中，采用由输入向量和理想输出向量构成的向量对，输入待训练的检测模型中；

所述步骤S3中包括：

在训练图像网络的对后一个卷积层的特征图后添加一个新的卷积层；在该卷积层进行卷积运算，获得各位置对应的多维特征向量，并通过该特征向量预测各位置属于目标的概率；将多维特征向量通道内的全部特征串联成高维特征向量作为输入向量。

2.如权利要求1所述的基于深度学习的均压环检测识别方法，其特征在于：所述步骤S1中，根据拍摄图像存在的问题进行预处理，所述存在的问题包括抖动和模糊，所述预处理包括防抖和去噪；其中，使用双边滤波或中值滤波对原均压环图像进行去噪处理。

3.如权利要求1所述的基于深度学习的均压环检测识别方法，其特征在于，所述颜色空间变换的具体方法包括：

对样本集RGB图像进行PCA主成分变换，获得主成分变量及其对应特征值；

对特征值分配不同的系数，以实现对图像光照强度和饱和程度的变换，上述步骤中主成分变量及其对应特征值由如下公式计算：

其中，pⁱ(i＝1,2,3)为图像RGB通道对应的特征向量，λⁱ(i＝1,2,3)为特征向量对应的特征值，αⁱ(i＝1,2,3)为每个特征值的扰动系数，该系数通过均值为1，标准差为0.1的高斯函数获得。

4.如权利要求1所述的基于深度学习的均压环检测识别方法，其特征在于，所述步骤S2具体包括：

使用视觉方法在预处理后的均压环图像样本中生成大量候选区域；对每个候选区域使用卷积神经网络进行特征提取，形成高维特征向量；将获得的高维特征向量送入线性分类器，计算属于各个类别的概率，判断其所包含的对象；通过精细回归计算目标外围框的位置和大小。

5.如权利要求1所述的基于深度学习的均压环检测识别方法，其特征在于，所述步骤S4具体包括：

对输入图像进行卷积运算，获得特征图；

使用区域建议网络在特征图上生成多个候选区域框；

对候选区域框内容通过非最大值抑制算法进行评分筛选，按预设数量保留得分较高的候选区域框；

取特征图上候选区域框内的特征形成高维特征向量，由检测网络计算类别得分，并预测更合适的目标外围框位置。

6.如权利要求5所述的基于深度学习的均压环检测识别方法，其特征在于：所述步骤S4中，通过分类函数判断候选区域框是否目标区域，通过边框回归函数获得目标。

7.如权利要求1所述的基于深度学习的均压环检测识别方法，其特征在于：在所述步骤S3前，对权重矩阵中所有的权重值使用不同的小随机数进行初始化。

Images