基于深度學(xué)習(xí)的電力設(shè)備圖像識別方法探析

練睿

（廣東電網(wǎng)有限責(zé)任公司惠州供電局，廣東 惠州 516001）

近年來，隨著計算機視覺和深度學(xué)習(xí)等技術(shù)的發(fā)展，自動化的電力設(shè)備圖像識別方法成為一種可行的解決方案。對于現(xiàn)有圖形監(jiān)控系統(tǒng)，通常是將多媒體數(shù)據(jù)信息傳輸至云端，無法進行智能數(shù)據(jù)分析，需專業(yè)技術(shù)人員對監(jiān)控下的電力設(shè)備圖形進行分析。圖形儲量過大，對于設(shè)備自動化運行監(jiān)測的效果會產(chǎn)生較大的影響，進而影響工作效率，且人工識別結(jié)果有一定的主觀性，不能夠及時了解設(shè)備實際運行情況。在深度學(xué)習(xí)基礎(chǔ)上，在高低層信號間搭建映射關(guān)系，然后借助人眼視覺效果，進行圖像識別，精準提取數(shù)據(jù)流間的有效特征。在電力設(shè)備圖像識別中，深度學(xué)習(xí)的應(yīng)用具有較大的挖掘空間，并且可以有效解決電網(wǎng)非結(jié)構(gòu)化數(shù)據(jù)依賴人工、利用率不高等問題，也能夠為以后電力設(shè)備狀態(tài)監(jiān)測等提供充足理論基礎(chǔ)。

1 深度學(xué)習(xí)的概念分析

深度學(xué)習(xí)是一種人工智能的分支，其主要任務(wù)是讓計算機能夠像人類一樣進行智能決策。深度學(xué)習(xí)的核心是多層神經(jīng)網(wǎng)絡(luò)，它模擬了人類大腦的神經(jīng)元之間的連接。神經(jīng)網(wǎng)絡(luò)的每層都包含若干個神經(jīng)元，每個神經(jīng)元都有自己的權(quán)重和偏置，它們通過輸入和輸出之間的連接進行信息傳遞。神經(jīng)網(wǎng)絡(luò)可以通過不斷的訓(xùn)練來優(yōu)化權(quán)重和偏置，從而提高分類、識別等任務(wù)的準確率。深度學(xué)習(xí)在多個領(lǐng)域得到了廣泛的應(yīng)用，例如，圖像識別、語音識別、自然語言處理等。在圖像識別領(lǐng)域，深度學(xué)習(xí)可以幫助計算機識別出圖片中的物體、文字等。深度學(xué)習(xí)的優(yōu)勢在于它可以自動學(xué)習(xí)特征，不需要手動設(shè)計特征。這意味著深度學(xué)習(xí)可以在大規(guī)模數(shù)據(jù)上進行訓(xùn)練，并從中自動學(xué)習(xí)特征。此外，深度學(xué)習(xí)還可以處理非線性問題，甚至可以處理高維數(shù)據(jù)。這些優(yōu)勢使得深度學(xué)習(xí)在許多領(lǐng)域中都能夠取得優(yōu)異的表現(xiàn)。

2 基于深度學(xué)習(xí)的電力設(shè)備圖像識別方法

2.1 特征提取

電力設(shè)備圖像處理的重要前提就是保證圖像質(zhì)量合格，如果圖像質(zhì)量不佳，則不利于之后目標的提出。成像設(shè)備不同，對于圖像所產(chǎn)生的影響也存在一定的差異。所以，對于電力設(shè)備特征的提取，需要對已經(jīng)獲取的圖像質(zhì)量進行增強、復(fù)原。

對于拍攝設(shè)備的角度，關(guān)鍵在于應(yīng)用條件。在使用飛行設(shè)備進行巡回時，若航線高低不一樣，那么，設(shè)備就會產(chǎn)生振動的現(xiàn)象，對所獲取的圖像質(zhì)量也會產(chǎn)生一定的影響，導(dǎo)致圖像出現(xiàn)震點，部分圖像會模糊，或者與背景融合的情況。在拍攝期間，若拍攝的光線比較暗，或者遇到惡劣天氣時，如霧霾，那么圖像的對比度、灰度就會變得比較低，陰影范圍較大，對于變壓器、絕緣子等一些高光設(shè)備，則不能有效定位，圖像識別的難度大大增加。在圖像特征提取時，可以將圖像設(shè)為作用域，過濾其線性濾波。對于圖像中的噪聲，在超高、超低頻次子塊中，通過對帶有噪聲的圖像進行小波轉(zhuǎn)換，便可以獲得迭代數(shù)據(jù)，其高頻數(shù)據(jù)為零。對于超低頻次數(shù)據(jù)，可以起到抑制作用，有效去噪。如果圖像中高光設(shè)備受到灰度影響，那么，就可以對小波頻次進行轉(zhuǎn)換，將其轉(zhuǎn)為均值濾波，在其中一個像素的周邊，通過設(shè)置多個像素灰值均數(shù)，以此來替代之前的灰度值。對于單位距離至中心半徑距離，設(shè)定集臨近平滑，在噪聲灰度的轉(zhuǎn)移期間，臨近的4個區(qū)域，其灰度像素會進行轉(zhuǎn)換，即為八個區(qū)域，在這樣的情況下，即可提取電力設(shè)備特征。

2.2 圖像識別

電力系統(tǒng)設(shè)備類型具有多樣化特點，大多數(shù)設(shè)備的外觀比較相似，其顏色較為單一，再加上變電站環(huán)境具有一定的復(fù)雜性，最終獲取的圖像背景也會變得十分復(fù)雜。深度學(xué)習(xí)在圖像、語音等多個領(lǐng)域得到了較大突破，但其效果并不能將傳統(tǒng)學(xué)習(xí)理論否定。基于此，提出基于深度學(xué)習(xí)的隨機森林法，對于決策，以投票方式選擇，從而確定預(yù)測結(jié)果這一功能，不僅具有較高的預(yù)測精度，還具有較強的抗噪能力。通過采用隨機森林分類器，產(chǎn)生多個隨機選擇的樣本子集，以及特征子空間形成的決策樹，綜合形成“森林”，在分類環(huán)節(jié)，以投票方式得到分類的結(jié)果。分類的方法可以分為兩部分，其一，為訓(xùn)練階段；其二，為測試階段。訓(xùn)練階段是先在圖像數(shù)據(jù)庫中選定圖像，并提取特征，然后對其進行分析，根據(jù)具體結(jié)果選擇特征。由于低層卷積層所提取的特征并未有十分豐富的語義信息，若運用這些特征，那么，就會增加圖像特征的表示維度。所以，僅選取并分析DCNN全連接層以及混合層的特征，以此對隨機森林訓(xùn)練。

在隨機森林（RF）訓(xùn)練中，應(yīng)從輸入空間根節(jié)點開始，在每一節(jié)點，對于每個分區(qū)，應(yīng)確定分割的規(guī)則，以及預(yù)測的模型，以最大程度降低損失。由于DCNN提取圖像特征具有較高的維度，所以，選擇常數(shù)分割模型進行訓(xùn)練。

在隨機森林中，對于樹的每個節(jié)點應(yīng)該測試其深度特征，然后選出最佳特征。若圖像維度比較大，相應(yīng)的測試搜索空間也會比較大，其分割效果則不佳。為了以最少維度保證圖像特征，并增強其分辨能力，采取線性判別的方式，有效評估深度特征。線性判別的應(yīng)用主要是為了保證有效分離不同類型的特征，并且確保相同類型特征能夠緊湊分布。在特征選擇中，對于圖像表示維度，進行獨立處理。

2.3 構(gòu)建網(wǎng)絡(luò)模型

由于電力設(shè)備受到多種因素的影響，在圖像處理中，不僅包括其原本應(yīng)有的特征，還出現(xiàn)了一些偽裝色彩因子，對于復(fù)雜程度較高的環(huán)境背景，很難高效獲取圖像的目標值。對于相對特征相似的圖像特征提取中，在臨近的圖像中，標出P個錨點，對于每組圖像的置信度，其區(qū)間為ω∈[0,1）。通過搭建邊框數(shù)值網(wǎng)絡(luò)層級，在每個描述點，計算出誤差、分類誤差，并有效控制所提取的圖像特征范圍，確保其處于特定閾值內(nèi)。在網(wǎng)絡(luò)模型中，依據(jù)深度選擇模塊，對于候選區(qū)域的電力設(shè)備，將其分為不同主干網(wǎng)絡(luò)層級，通常情況下，層級越多，那么，網(wǎng)絡(luò)結(jié)構(gòu)就會變得越復(fù)雜，相應(yīng)的目標區(qū)域也就會變得越多。所以，選取標準的兩個層級，以防擬合結(jié)果過多，在模型正負訓(xùn)練中，生成相應(yīng)的區(qū)域，以待識別，并獲取目標的候選圖像。

2.4 標記目標區(qū)域

基于深度學(xué)習(xí)網(wǎng)絡(luò)模型，將需要識別的電力設(shè)備進行連接，然后借助紅外設(shè)備，按照特定順序掃描電力設(shè)備，并對圖像數(shù)據(jù)信息進行正負訓(xùn)練，經(jīng)過訓(xùn)練，標記相應(yīng)的目標區(qū)域。對電力設(shè)備的紅外圖像，將其導(dǎo)入模型中，然后經(jīng)過RN網(wǎng)絡(luò)層級錨框映射區(qū)間，最終獲得最為原始的圖像。對于樣本的目標框取值，如果設(shè)定超出0.1時，那么，其框架則被判斷為正樣本，如果設(shè)定不超過0.1時，就將其歸為負樣本區(qū)域。對于每組的圖像，合理把控其采集比例，最好控制在1:4以內(nèi)。在轉(zhuǎn)換期間，對其和真正的目標框區(qū)域交并比值進行測量，然后根據(jù)其實際大小，以此來判定正負訓(xùn)練的具體次數(shù)。同時，依據(jù)模型中的判別策略指標，在特定流程基礎(chǔ)上，合理設(shè)定每組圖像的訓(xùn)練判別。

對于需要識別的區(qū)域，在標記期間，應(yīng)先劃分出紅外設(shè)備掃描出的圖像，以此作為候選的區(qū)域。同時，依據(jù)錨框前景目標概率比值，合理排列RN網(wǎng)絡(luò)層級。對于錨框生成的回歸向量參數(shù)，對其進行合理篩選，并改正初步的錨框位置。對于候選區(qū)域，在保留其最大極值外，將所剩下的抑制數(shù)據(jù)比值，全部再次放入候選區(qū)域。在不同候選集合內(nèi)，多次進行采樣，然后根據(jù)候選區(qū)域當(dāng)中的圖像，有效判別真實的目標，在每組的樣本中，依據(jù)最大的目標值，合理排列目標框選值。如果所選的正負樣本集合在相同區(qū)域內(nèi)，那么，標定的目標框，其所在范圍也就是目標識別的區(qū)域范圍，通過識別顯示，完成最終的圖像識別。

2.5 實驗分析

在深度學(xué)習(xí)基礎(chǔ)上，為了驗證其在電力設(shè)備圖像識別中的應(yīng)用效果，設(shè)計相應(yīng)的實驗進行驗證分析。

（1）數(shù)據(jù)收集。從現(xiàn)有的電力設(shè)備運行數(shù)據(jù)中收集大量的圖像數(shù)據(jù)，這些圖像數(shù)據(jù)包括各種類型的電力設(shè)備，并且包含不同角度、不同光照條件下的圖像。同時，使用數(shù)據(jù)增強技術(shù)來擴充數(shù)據(jù)集，例如，旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等。以電線塔桿、變壓器為例，借助紅外設(shè)備采集8000張圖像，各4000張，每種設(shè)備的正常、異常圖像各2000張，其中，正常圖像為設(shè)備工作狀態(tài)下的圖像，異常圖像為設(shè)備故障或損壞狀態(tài)下的圖像。

（2）模型選擇。使用基于CNN架構(gòu)的多分類模型，該模型包含三個卷積層和三個全連接層，最后通過Softmax函數(shù)對輸出進行分類。其中，卷積層用于提取圖像的特征，全連接層用于將卷積層提取的特征進行分類預(yù)測。

（3）模型訓(xùn)練。對于數(shù)據(jù)集，將其分為訓(xùn)練集、驗證集和測試集。在訓(xùn)練過程中，使用隨機梯度下降法(SGD)來優(yōu)化模型。為了防止過擬合，使用正則化技術(shù)，包括L2正則化和Dropout，并使用學(xué)習(xí)率衰減技術(shù)來提高模型的性能。

（4）模型評估。對于模型性能的評估，使用準確率、精確率、召回率和F1分數(shù)等指標來評估，通過使用測試集來評估模型在新數(shù)據(jù)上的表現(xiàn)。

（5）實驗結(jié)果。經(jīng)過實驗，模型在測試集上的準確率達到了90%，精確率達到了92%，召回率達到了88%，F(xiàn)1分數(shù)達到了90%。這意味著模型可以準確地識別電力設(shè)備的類型，并能夠快速發(fā)現(xiàn)設(shè)備的異常狀況。同時，在該實驗中發(fā)現(xiàn)變壓器圖像特征的顯示比較明顯，而電線桿塔由于其自身地理位置的影響，受到樹木遮擋，其圖像特征比較模糊。在圖像特征提取中，因為單位神經(jīng)元的數(shù)量對其有較大的影響，所以，在采取本文方法的同時，還采用隨機森林、歸一處理這兩種方法提取設(shè)備的神經(jīng)元，并對比其神經(jīng)元個數(shù)選值。

如表1所示，為不同方法下的圖像輸出神經(jīng)元選值。通過分析，發(fā)現(xiàn)在不同的特征值區(qū)域內(nèi)，基于深度學(xué)習(xí)的電力設(shè)備識別方法獲得的神經(jīng)元單元個數(shù)整體變化不大。而其他兩個方法的特征值在大于2.0時，其神經(jīng)元選值呈現(xiàn)出下降的趨勢。由此可見，本文采取的方法在圖像全局特征提取中具有較好的效果，并且適用于復(fù)雜環(huán)境的識別。

表1 采集圖像輸出神經(jīng)元選值

3 結(jié)語

電力設(shè)備的安全運行對于整個電力系統(tǒng)的穩(wěn)定運行至關(guān)重要，然而，由于電力設(shè)備通常需要長時間運行，其磨損和老化等問題也隨之而來。因此，及時發(fā)現(xiàn)和處理這些問題非常必要。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的電力設(shè)備圖像識別得到了廣泛應(yīng)用。本文研究基于深度學(xué)習(xí)的電力設(shè)備圖像識別方法，通過搭建模型，對電力設(shè)備的圖像進行分類識別，并對不同特征值區(qū)域內(nèi)多個方法的神經(jīng)元單元個數(shù)進行對比分析，實驗結(jié)果表明，該方法具有較高的準確率和魯棒性，可以在復(fù)雜環(huán)境內(nèi)高效識別電力設(shè)備，在電力設(shè)備管理與維護領(lǐng)域具有廣闊的應(yīng)用前景。未來可以進一步探索該方法在更多電力設(shè)備領(lǐng)域的應(yīng)用，并提高模型的實時性和穩(wěn)定性，提升電力設(shè)備的識別效果，推動電力企業(yè)的安全穩(wěn)定運行。