結(jié)合紋理參數(shù)和GA-BP神經(jīng)網(wǎng)絡(luò)的電力設(shè)備圖像識別*

劉玉成 曹春誠 鄧 斌

（1.國網(wǎng)呼倫貝爾供電公司 呼倫貝爾 021100）（2.保定市毅格通信自動(dòng)化有限公司 保定 071000）

1 引言

隨著我國電力事業(yè)的發(fā)展，對電能質(zhì)量提高和電網(wǎng)正常運(yùn)行的壓力越來越大。設(shè)備數(shù)量多，線路布線復(fù)雜，使得電網(wǎng)系統(tǒng)更加的復(fù)雜。這些因素都會使得故障診斷較為復(fù)雜。由于計(jì)算機(jī)視覺技術(shù)的迅速發(fā)展，紅外熱成像技術(shù)、紫外成像等技術(shù)廣泛的應(yīng)用到電網(wǎng)中；紅外熱成像技術(shù)和紫外成像技術(shù)都可以實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)下的故障定位及診斷，非常安全可靠。也可以將這些技術(shù)通過無人機(jī)和機(jī)器人搭載鏡頭完成巡線等工作［1～5］。大量圖像數(shù)據(jù)能夠提高電網(wǎng)的智能化水平，但是，目前監(jiān)控設(shè)備并不能對這些圖像進(jìn)行智能識別，而是通過人工的方法對圖像進(jìn)行分類、分析和識別，這樣不僅浪費(fèi)了大量時(shí)間、工作效率低，而且判斷的結(jié)果也不準(zhǔn)確。對電力設(shè)備的智能識別不但可以解決以上問題，還有利于及時(shí)發(fā)現(xiàn)設(shè)備故障，提高電網(wǎng)安全運(yùn)行水平［6～10］。

為了提高電力設(shè)備識別率，結(jié)合GA-BP神經(jīng)網(wǎng)絡(luò)與圖像紋理參數(shù)方法進(jìn)行電力設(shè)備識別。圖像紋理信息不同于顏色、灰度等特征，描述的是圖像對比度和粗糙度等。GA-BP神經(jīng)網(wǎng)絡(luò)通過GA算法中的染色體特性優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，為精準(zhǔn)圖像識別提供了保障［11～16］。

2 灰度共生矩陣

灰度共生矩陣是計(jì)算圖像紋理參數(shù)的常用方法［8～13］。從任意圖像I中取任意一移動(dòng)點(diǎn)（x，y），將點(diǎn)（x，y）在圖像I上移動(dòng)，會得到各種灰度值（i，j），將各灰度值排列成一個(gè)方陣并統(tǒng)計(jì)灰度值（i，j）出現(xiàn)的次數(shù)，（i，j）出現(xiàn)的總次數(shù)進(jìn)行歸一化處理得到出現(xiàn)的總概率P（i，j），如此操作即可得到灰度共生矩陣。圖1為距離相對中心點(diǎn)1時(shí)，四個(gè)方向像素點(diǎn)位置圖。

圖1 距離為1四個(gè)方向像素對位置

灰度共生矩陣中包含圖像的二次統(tǒng)計(jì)特征值，其中包括能量、對比度、熵、相關(guān)性等參數(shù)信息。

ASM（Angular Second Moment）代表能量，是紋理特征量中一個(gè)非常重要的參數(shù)，可以反映圖像的均勻程度、紋理粗細(xì)度。

CON（Contrast）代表對比度，灰度共生矩陣的對象線數(shù)據(jù)影響著CON的值，對比度越高圖像質(zhì)量越好。

ENT（Entropy）代表熵，其值越大圖像越復(fù)雜但是圖像質(zhì)量也更清晰。

COR（Correlation）代表相關(guān)系數(shù)，μx和μy是均值，σx和σy是方差。它主要體現(xiàn)圖像局部特征的相關(guān)性信息。

在進(jìn)行圖像紋理參數(shù)獲取前，需要保證處理圖像大小和顯示區(qū)域的大小是否符合，然后使用RGB三通道計(jì)算圖像灰度值，由得到的灰度共生矩陣可以得到不同方向下的紋理參數(shù)，將其值輸入到GA-BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練學(xué)習(xí)。紋理特征值計(jì)算流程圖如圖2所示。

圖2 紋理參數(shù)特征值計(jì)算流程

3 GA-BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一［17］。

其結(jié)構(gòu)圖如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

從圖3可以看出，BP神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層、輸出層構(gòu)成，網(wǎng)絡(luò)訓(xùn)練過程中可以通過調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值與閾值減小網(wǎng)絡(luò)誤差。一般地，BP神經(jīng)網(wǎng)絡(luò)算法流程如下：

1）設(shè)置初始權(quán)重值，一般選用較小非零實(shí)數(shù)。

3）對于樣本P，算法的計(jì)算過程為

反向過程為

4）修正權(quán)值為

其中BP神經(jīng)網(wǎng)絡(luò)包括了如下兩種學(xué)習(xí)方式。

Pattern學(xué)習(xí)方式：

Epoch學(xué)習(xí)方式：

一般GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)由優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值、優(yōu)化學(xué)習(xí)系數(shù)三部分構(gòu)成。本文所提方法中神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化使用遺傳算法，采用GA算法尋找最優(yōu)初始權(quán)值，最優(yōu)解利用BP神經(jīng)網(wǎng)絡(luò)搜索。優(yōu)化權(quán)值步驟如圖4所示。

圖4 GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)權(quán)值

GA-BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)式如下：

其中：

為期望輸出，為網(wǎng)絡(luò)的實(shí)際輸出，ε1為誤差系數(shù)，則：

用GA算法求解式（5）。

當(dāng)式（8）成立時(shí)，就可以用GA-BP神經(jīng)網(wǎng)絡(luò)算法解決實(shí)際問題。

雖然BP神經(jīng)網(wǎng)絡(luò)有一定的泛化能力但是在訓(xùn)練過程中BP神經(jīng)網(wǎng)絡(luò)收斂速度很慢，且容易局部達(dá)到最優(yōu)。如果直接應(yīng)用BP神經(jīng)網(wǎng)絡(luò)完成圖像識別，將會有較大的誤差，因此提出用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)。遺傳算法是一種模擬自然選擇進(jìn)化過程的方法，它可以模仿自然計(jì)劃過程找到全局最優(yōu)解。GA-BP算法的基本原理是首先使用遺傳算法找到全局最優(yōu)解，并將其作為BP算法的初始權(quán)重值，輸入到BP神經(jīng)網(wǎng)絡(luò)中，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)可以輸出所需結(jié)果。使用GA-BP神經(jīng)算法的優(yōu)勢在于網(wǎng)絡(luò)權(quán)值閾值已經(jīng)過優(yōu)化，這可以有效解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的問題。步驟如圖5所示。

圖5 GA-BP神經(jīng)網(wǎng)絡(luò)流程圖

4 實(shí)驗(yàn)

使用圖像紋理參數(shù)信息和GA-BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行電力設(shè)備圖像識別的步驟為

1）測試數(shù)據(jù)集共有6000幅圖像，其中包括輸電線、變壓器、斷路器、隔離開關(guān)、絕緣子、桿塔，用1～7數(shù)字對設(shè)備類型標(biāo)注。

2）選擇5000幅電力設(shè)備圖像，計(jì)算圖像四個(gè)方向的紋理參數(shù)。

3）用這5000幅電力設(shè)備圖像四個(gè)方向的紋理參數(shù)訓(xùn)練GA-BP神經(jīng)網(wǎng)絡(luò)。

4）再從6000幅電力設(shè)備圖像中隨機(jī)選擇1000幅圖像，計(jì)算這1000幅圖像不同方向的參數(shù)，并將其結(jié)果作為測試樣本。其中神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為16，隱含層神經(jīng)元個(gè)數(shù)為8，輸出神經(jīng)元個(gè)數(shù)為1。

隨機(jī)選擇一幅圖像，如圖6所示，其設(shè)備名稱為變壓器。

圖6 變壓器

表1 變壓器圖像的紋理參數(shù)

通過GA-BP辨別紋理參數(shù)，輸出結(jié)果2，輸出類型準(zhǔn)確。

圖7為桿塔，計(jì)算四個(gè)方向的紋理參數(shù)，如表2所示。

圖7 桿塔

表2 桿塔圖像的紋理參數(shù)

將紋理參數(shù)輸入到已經(jīng)訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)中，輸出結(jié)果7，輸出類型準(zhǔn)確。

圖8為隔離開關(guān)，計(jì)算四個(gè)方向的紋理參數(shù)，如表3所示。

表3 隔離開關(guān)圖像的紋理參數(shù)

圖8 隔離開關(guān)

將紋理參數(shù)輸入到已經(jīng)訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)中，說出結(jié)果為5，輸出類型準(zhǔn)確。

圖9為絕緣子串，計(jì)算其四個(gè)方向的紋理參數(shù)，如表4所示。

圖9 絕緣子串

表4 絕緣子串圖像的紋理參數(shù)

將紋理參數(shù)輸入到已經(jīng)訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)，輸出結(jié)果為6，輸出類型準(zhǔn)確。

圖10為斷路器，計(jì)算其四個(gè)方向的紋理參數(shù)，結(jié)果如表5所示。

表5 斷路器圖像的紋理參數(shù)

圖10 斷路器

將紋理參數(shù)輸入到已經(jīng)訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)，輸出結(jié)果為4，輸出類型準(zhǔn)確。

實(shí)驗(yàn)結(jié)果表明，紋理參數(shù)和GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)合算法對圖像識別有較高的準(zhǔn)確性，且計(jì)算速度快。

5 結(jié)語

針對目前視頻監(jiān)控設(shè)備沒有圖像識別功能這一問題，提出一種利用灰度共生矩陣反應(yīng)圖像紋理參數(shù)，結(jié)合遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識別的方法，本文所提方法以四個(gè)方向的紋理參數(shù)作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入，可以很好地找到全局最優(yōu)解，通過實(shí)驗(yàn)表明，其輸出結(jié)果可以準(zhǔn)確地對待測圖像完成識別。算法運(yùn)行速度快、識別結(jié)果效率高。