紋理參數(shù)耦合GA-BP神經(jīng)網(wǎng)絡的電力設備圖像識別方法介紹

王 昕，蔣佐富，蔡榮明，尚 將2，吳瑞文

(1.臺州宏創(chuàng)電力集團有限公司，浙江 臺州 318000；2.國網(wǎng)浙江臺州市黃巖區(qū)供電有限公司，浙江 臺州 318000)

0 引 言

目前，在電網(wǎng)系統(tǒng)中，監(jiān)控設備可以在設備不停電的情況下完成設備的檢測，判斷出設備故障類型，但是并不能對這些圖像進行智能識別。為了準確、高效地識別電力設備，提出圖像紋理參數(shù)和GA-BP神經(jīng)網(wǎng)絡結合的方法。

1 紋理參數(shù)

灰度共生矩陣是一種二階統(tǒng)計方法，可以用來計算圖像的紋理參數(shù)。其定義為：取圖像A中任意一點 (x，y)，灰度值為(i，j)及偏離它的另一點 (x+a，y+b)，將點 (x，y)在圖像A上移動，會得到各種(i，j)值，統(tǒng)計(i，j)值出現(xiàn)的次數(shù)，排列成一個方陣，再用(i，j)出現(xiàn)的總次數(shù)歸一化出現(xiàn)的概率P(i，j)，即為灰度共生矩陣。其中，a、b的取值不同，掃描的角度不同。圖1給出了相對中心點，距離為1，0度，45度，90度，135度四個方向對應像素點所在的位置。

圖1 距離為1四個方向像素對位置

從灰度共生矩陣中，可以得到能量、對比度、熵、相關性參數(shù)這些特征值，這些特征值可以反應圖像的紋理信息。

能量反應圖像的均勻程度、紋理粗細度。

對比度反應圖像的清晰度、紋理參數(shù)脊和谷深淺程度。

熵反映圖像的復雜程度，圖像越復雜，紋理參數(shù)中的熵值越大。

相關系數(shù)反應圖像局部的灰度相關性。

通過灰度共生矩陣計算出圖像的四個方向下的紋理參數(shù)，其值作為GA-BP神經(jīng)網(wǎng)絡輸入。

計算紋理參數(shù)前，需要調整圖像的大小，通過圖像的RGB三分量計算處圖像的灰度值，利用灰度值生成共生矩陣，從而計算四個方向下的紋理參數(shù)向量。

參數(shù)特征值計算流程圖如圖2所示。

圖2 紋理參數(shù)特征值計算流程

2 GA-BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，BP神經(jīng)網(wǎng)絡包括輸入層、隱含層、輸出層，通過調節(jié)權值、閾值，使得網(wǎng)絡的誤差最小。其算法流程如下：

(1)設置初始權值為較小的非零實數(shù)。

(3)對于樣本P，算法的計算過程為：up,…,l-1Op,lxp,…,yp

反向過程為：

(4)修正權值為：

本文應用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的連接權值。用GA算法優(yōu)化初始權值，在解向量中搜索較好的解。用BP神經(jīng)網(wǎng)絡搜索最優(yōu)解。

用GA在某一點集中遺傳出優(yōu)化值，以此作為BP算法的初始權值，再由BP算法進行訓練，而后運用BP神經(jīng)網(wǎng)絡控制，這就是GA-BP算法的基本原理。該方法可以解決BP神經(jīng)網(wǎng)絡陷入局部最優(yōu)問題(如圖3所示)。

3 電力設備圖像識別步驟

通過紋理參數(shù)和GA-BP神經(jīng)網(wǎng)絡算法實現(xiàn)電力設備圖像識別的步驟如下所示：

圖3 GA-BP神經(jīng)網(wǎng)絡流程圖

(1)選定測試數(shù)據(jù)。若干幅電力設備圖像，主要包括發(fā)電機、變壓器、輸電線路等。

(2)紋理參數(shù)計算。選取部分圖像計算圖像四個方向的紋理參數(shù)。

(3)GA-BP神經(jīng)網(wǎng)絡訓練。用選取的部分電力設備圖像四個方向的紋理參數(shù)訓練GA-BP神經(jīng)網(wǎng)絡。

(4)測試。另選取若干電力設備圖形，計算其四個方向的紋理參數(shù)，基于訓練得到的GA-BP神經(jīng)網(wǎng)絡模型進行測試檢驗。

4 結束語

本文提出結合紋理參數(shù)和GA-BP神經(jīng)網(wǎng)絡算法對電力設備進行圖像識別，利用灰度共生矩陣可以很好反應圖像的紋理參數(shù)，用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡，可以很好地解決傳統(tǒng)BP神經(jīng)網(wǎng)絡陷入局部最優(yōu)的缺點。