基于深度学习的电力图像目标自动识别方法_张蕾.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2021-09-03稿件编号：202109022作者简介：张 蕾（1993），女，甘肃白银人，工程师。研究方向：网络安全、物联网安全。深度学习理论要求在可视层结构中，每一个神经节点都与一个输入数据的特性信息一一对应，而对于可视层的隐藏层结构而言，在已知网络层节点排列顺序的情况下，任何一个其他层次节点都可以被看作是独立存在的。因此，为了保证可视层输入参数的计算准确性，需要在已知隐藏输入信息的基础上，对神经节点的数量级水平进行实时统计，再联基于深度学习的电力图像目标自动识别方法张 蕾1，白万荣1，陈佐虎2，魏 峰1，张珍芬2（1.国网甘肃省电力公司电力科学研究院，甘肃 兰州 730070；2.甘肃同兴智能科技发展有限责任公司，甘肃 兰州 730050）摘要：为有效控制电力目标节点处的功率数值下降趋势，避免配电网出现强烈扰动的信号量输出情况，提出基于深度学习的电力图像目标自动识别方法。根据灰度变换法则，处理已获取的图像均值信息，结合颜色还原原理，实现对电力设备图像的增强性处理。根据深度学习理论校正电力图像的目标标签，通过分割边缘特征，得到准确的识别节点匹配结果，完成基于深度学习的电力图像目标自动识别方法的设计与应用。实例分析结果显示，与改进Faster-RCNN型定位方法相比，在深度学习原理作用下，电力目标节点处的功率数值下降量更小，可避免配电信号受到强烈扰动影响，实现对电功率下降趋势的有效控制。关键词：深度学习；电力图像；目标识别；均值信息；目标标签；边缘特征中图分类号：TP391文献标识码：A文章编号：1674-6236（2023）06-0048-04DOI：10.14022/j.issn1674-6236.2023.06.011Automatic target recognition method of power image based on deep learningZHANG Lei1，BAI Wanrong1，CHEN Zuohu2，WEI Feng1，ZHANG Zhenfen2（1.Electric Power Research Institute of State Grid Gansu Electric Power Company，Lanzhou 730070，China；2.Gansu Tongxing Intelligent Technology Development Co.，Ltd.，Lanzhou 730050，China）Abstract:In order to effectively control the downward trend of power value at the power target node andavoid the signal output of strong disturbance in the distribution network，an automatic target recognitionmethod of power image based on deep learning is proposed.According to the gray transformation law，theobtained image mean information is processed，and the enhanced processing of power equipment imageis realized by combining the principle of color restoration.The target label of power image is correctedaccording to the depth learning theory，and the accurate recognition node matching results are obtainedby segmenting the edge features.The design and application of power image target automatic recognitionmethod based on depth learning are completed.The example analysis results show that compared with theimproved FasterRCNN positioning method，under the action of the deep learning principle，the powervalue at the power target node decreases less，which can avoid the strong disturbance of the distributionsignal and realize the effective control of the power decline trend.Keywords:deep learning；power image；target recognition；mean value information；target tag；edgefeatures-48合各层级结构中的训练系数指标项，得到最终的参数计算结果1-2。与其他应用算法相比，深度学习理论能够根据隐藏输入信息推断可视层结构中的输出结果，并可在计算过程中，建立一种全新的数据特征表达方式，这也是该算法能够对传输信息进行实时调度的主要原因。受到成像对象、成像环境、成像仪表等外在因素的影响，识别设备所捕获到的电力图像往往与其原始成像之间具有一定的差异性，且在配电网环境中，这种行为极易使输出电信号受到强烈的扰动。基于改进 Faster-RCNN 的定位方法针对灰度值较高区域内的电力图像进行对比，再根据非线性计算原理，确定该区域图像所属的实际位置3。然而该方法的作用能力有限，并不能有效抑制电力目标节点处的功率数值下降趋势，因此对于电信号扰动行为的抵抗能力相对有限。为更好解决上述问题，引入深度学习理论，设计一种新型电力图像目标自动识别方法。1电力设备的图像增强电力设备图像增强包含图像均值信息获取、灰度变换、颜色还原三个处理环节，具体操作方法如下。1.1图像的均值信息获取为了能够对电力图像中的目标节点进行有效的增强处理，需要着重考虑核心像素点周围的邻域信息参量，也就是固定节点处的像素参量及其周围节点处的像素信息。借助深度学习理论对电力图像的均值信息进行计算，首先需要建立输出电量信号的序列集合，再根据权重系数，计算图像内亮度信息的乘积表达形式。一般情况下，权重系数的定义值越大，图像内亮度信息的乘积表达形式也就越清晰，整幅图像的边缘连线也就越平滑4-5。设电力图像的核心像素点坐标为O(x0,y0)，在横向区域系数e10、纵向区域系数e20不等式条件恒成立的情况下，可将电力图像均值信息的获取表达式定义为：P=O()x0,y0-1exp|-e2|y2-y12e1|x2-x1（1）式中，表示输出电量信号的权重系数，x1、x2表示两个不同的像素点横坐标，y1、y2表示两个不同的像素点纵坐标。为了更好应对电力图像均值信息的表达问题，在深度学习理论应用过程中，必须保留已知的边缘节点像素信息参量。1.2灰度变换灰度变换是配电信号处理中图像增强的关键处理步骤之一，能够改善原始电力图像的实时显示效果。经过灰度变换处理之后，目标节点在电力图像中的波动范围会不断增大，与此同时，也会使得电力图像的灰度值对比度参量得到扩展6。在深度学习算法的作用下，灰度变换属于一种点运算处理方法，其应用本质是在指定的动态范围内，计算与目标像素点匹配的灰度值系数，再通过改变初始范围条件的方式，实现对计算结果精度值的不断约束7。若将原始电力图像记为a(x,y)，像素的灰度取值范围为,；变换后的电力图像记为a(x,y)，像素的灰度取值范围为,，则可将灰度变换表达式定义为：a(x,y)=-a(x,y)-+P2（2）一般来说，根据电力图像目标自动识别映射函数的不同，灰度变换处理又可以继续细化为线性灰度变换、非线性灰度变换、分段线性灰度变换等多种不同的表现形式。1.3颜色还原颜色还原可将呈现为灰度状态的电力图像再次还原为彩色状态，根据目标节点所表现出明暗程度的不同，电力图像边缘的平滑水平也会有所不同8-9。规定r1、r2、rn分别代表n个不同的色彩分量，在还原标度系数=0.01的情况下，联立式（2），可将电力图像的颜色还原表达式定义为：I=r1+r2+rnna(x,y)（3）式中，表示电力图像中灰度目标节点的取值系数。对于电力图像而言，同时已知灰度变换法则与颜色还原法则，就可以实现对原始图像中目标节点的增强处理。2基于深度学习的目标自动识别根据电力设备的图像增强原理，按照图像目标标签校正、边缘特征分割、识别节点匹配的处理流程，实现基于深度学习的电力图像目标自动识别方法的顺利应用。2.1电力图像的目标标签校正利用目标标签的电力图像校正方法，其理论依据就是利用深度学习算法，对图像中的节点对象进行透视变换处理。在图 1 所示的深度学习网络中，张 蕾，等基于深度学习的电力图像目标自动识别方法-49电子设计工程 2023年第6期输入层节点个数决定了电力图像目标标签的输入数量，为保证灰度变换与颜色还原理论的顺利应用，所设置的输入层节点个数不宜过多10。隐藏层节点决定了目标标签所具备的图像标记能力，该层节点结构不具备自主变化的能力，数量水平会随着输入层节点数量的增减而不断变化11。输出层节点只负责输出经过目标标签标记后的电力图像信息。图1深度学习网络示意图设R代表单位时间内的电阻率均值，f代表电阻接入系数，T表示电力图像目标识别的单位作用时长，D代表输入层节点的实际接入个数，联立式（3），可将电力图像的目标标签校正条件表示为：g=fR-DI|T2（4）为了便于后续识别指令的执行，校正后的目标标签必须对电力图像中的所有节点进行标记。2.2边缘特征分割经过目标标签的校正处理后，电力图像中大部分内容都可以被识别主机直接检测出来，但对于非光滑区域的边缘特征而言，其目标点处的图像信息极易被周围像素点掩盖12-13。而边缘特征分割机制的存在，不但剔除了不相干的像素点组织，也对待识别电力图像的边缘节点进行了平滑处理，在此过程中，电力目标节点处损失的功率数值能够得到大量补充，这也是功率数值下降趋势能够得到有效抑制的主要原因。在分割之前，有必要将所有不满足深度学习需求的电力图像目标节点全部剔除，一方面将光滑区域的边缘特征与非光滑边缘特征较好融合；另一方面也可将电力目标节点处的功率数值损失量控制在既定水平标准内14。设pmin代表电力目标节点处的功率数值损失量最小值，pmax代表损失量最大值，c0代表电力图像边缘特征的起始判定条件，kc0代表c0判定条件下的电力图像目标分割特征值，代表电力图像光滑区域内的像素点判定系数，联立式（4），可将电力图像目标的边缘特征分割条件表示为：L=12c0=1kc0gp2max-p2min（5）在深度学习网络中，当目标标签与边缘特征点距离较近时，电力图像边缘区域的光滑性程度也就越高。2.3识别节点匹配识别节点匹配是电力图像目标自动识别方法设计的末尾处理环节，可在深度学习理论的支持下，对已知的边缘特征分割结果进行深度加工，一方面建立电力图像目标与标签结构之间的映射连接关系；另一方面也可以实现对灰度变换法则与颜色还原法则的继续加工15-16。设1、2代表两个不同的电力图像目标节点定义系数，m代表目标标签的匹配权限值，联立式（5），可将识别节点匹配结果表示为：B=l2A-m(1+2)L（6）其中，表示电力图像目标的识别映射系数，A表示单位时间内的图像目标节点识别总量，l表