基于深度学习的电力图像分割算法研究与优化

电力图像分割在电力系统中具有重要的应用价值,可以提高电力设备的检测和故障诊断效果,但传统的电力图像分割算法存在准确度低、处理时间长等问题。对此,本文提出了基于深度学习的电力图像分割算法并对其进行了适当优化,将卷积神经网络(CNN)作为基本的深度学习模型,提取了电力图像中的特征。实验结果表明,该算法在准确度和处理速度方面具有显著优势,可以为电力系统的检测和故障诊断提供有效支持。

电力图像监控系统集成平台的研究与设计

针对目前电力图像监控系统存在的主要技术问题,如编码设备不统一,通信带宽有限,尚未与动力环境数据实现联动等,提出了一系列的技术解决方案:采用级联技术在结构上实现了真正意义上的三级架构;应用IEC60870-5-104国际标准规约,实现了图像监控与动力环境的集成;采用中间件技术实现不同视频编码设备的监控中心接入;通过流媒体转发技术解决多用户并发访问可能导致的带宽拥堵问题;通过实现自动巡检管理功能大大提高了值班人员的巡检效率。该平台的研究和设计也为其他领域图像监控系统的集成、整合和完善提供了很好的思路。

基于深度学习的电力图像目标自动识别方法

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。

基于多曝光场景的新型电力图像配准技术

基于现有的图像配准技术,对电力图像拍摄时间差异所造成的曝光度不同而产生的图像配准误差大和配准效率提升难的问题,提出了一种基于电力图像去除亮度差异影响的边缘特征配准技术。通过提取图像的边缘信息,以产生二值化的效果图像代替原始图像进行旋转矩阵的计算,完成原始图像空间一致性调整,实现多曝光场景的新型电力图像配准技术,并通过一系列电力图像试验数据进行了验证。试验结果表明,所提的新型电力图像配准技术在配准效率方面较改进前的基于互相关信息配准方法提升了50%,配准精度达到了亚像素级别,配准方法鲁棒性更高。

基于ACE与YOLOv5的电力遥感图像检测算法

针对电力遥感图像采集时存在大量浓烟以及数据样本少等问题,提出一种基于对数变换的改进型自动色彩均衡与改进后YOLOv5s模型的遥感图像去雾检测算法,旨在通过提高数据集的图像质量进而提高检测网络的检测精度。构建的改进型自动色彩均衡对电力遥感图像去雾增强,并通过图像质量和特征提取两方面进行了实验数据对比,实验结果表明改进的自动色彩均衡算法优于其它算法。其次,通过YOLOv5s检测算法对增强后的数据集进行训练,引入mosaic数据增强算法,并通过构建ghost卷积模块和NAM注意力模块降低了网络参数、提升了网络检测精度。

基于深度学习的电力图像大数据分类研究

与普通图像数据分类相比,电力图像数据之间的相似度更高,为数据的分类工作带来较大难度,以提高电力图像大数据分类精度为目的,提出基于深度学习的电力图像大数据分类方法。采用数据挖掘的方式,采集电力图像大数据,通过灰度化、滤波等步骤,完成对初始电力图像大数据的预处理。利用深度学习算法中的卷积神经网络,通过前向传播与反向传播的训练,得出电力图像大数据特征的提取结果。最终通过特征匹配,确定电力图像大数据的所属类型,完成数据的分类工作。通过性能测试实验得出结论:与传统方法相比,优化设计方法的分类准确率和召回率分别提高了4.8%和2.35%,即优化设计方法在分类性能方面具有明显优势。

融合彩色模型空间的电力设备红外图像增强

电力设备红外图像普遍存在亮度暗、对比度低等问题,针对此现象,提出了一种融合彩色模型空间的图像增强算法。该方法将图像的对比度与亮度增强转换至HSV与RGB空间中分别进行处理:RGB空间中,首先预处理图像中的高灰度级,并采取混合滤波的方式抑制图中噪声,然后使用增强函数提高图像亮度,最后将增强图像转换至HSV空间中并提取H、S、V三分量图;HSV空间中,采用伽马变换和CLAHE(contrast limited adaptive histogram equalization)算法实现V分量的亮度提升,并采取非线性饱和度矫正函数处理S分量提升图像对比度,最后将处理分量与提取分量进行对应融合得到HSV空间中的增强图像,并将其转回RGB空间中得到最终的输出图像。实验结果表明,本文算法能明显地提升红外图像的亮度与对比度,增强后的3组图像其灰度均值和标准差平均值分别为115.94和78.65,相对于原图的平均值分别提升了81.59和36.17。

基于MobileNet的电力设备图像识别

针对全社会用电量需求的增大所引起的电力输送和用电安全与人力维护的成本较高等问题,借助图像增强技术与深度学习技术实现对电力设备图像的识别与分析。首先,利用图像增强技术完成对电力设备图像集的扩充和增强;其次,搭建MobileNet卷积神经网络完成对电力设备图像进行数据训练与识别。最终实验表明,MobileNet的运行速度为0.02 s一张图片,检测率可达到96%,该方法适用于图像特征较明显、大量重复检测的电力设备检测场景。

基于逐像素自适应对抗网络的电力巡检图像增强方法

针对电力智能巡检中图像细节丢失、边缘模糊,导致目标检测、识别错误的问题,提出一种基于逐像素自适应对抗网络(per-pixel self-paced adversarial network,PSPA)的超分辨率方法。该方法以生成对抗网络为基础,加入多重注意力机制,并通过逐像素比对的方式还原细节纹理。实验结果表明,该方法生成的超分图像不仅在人眼主观体验上优于现有算法,而且在电力设备巡检数据集测试中峰值信噪比和结构相似性指标对比其他最优结果分别提高了6.2和0.0993。对还原后的超分辨率图像使用Yolov3网络在无人机输电线路绝缘子数据集和电力施工安全帽佩戴数据集上进行目标检测,不仅能够降低漏检率,而且能够将检测置信度提高到接近原始高清图像的结果。

一种改进YOLOv8n的电力设备红外图像识别网络

针对目前电力设备红外图像识别算法存在检测精度低和模型计算量大的问题,提出一种改进YOLOv8n的电力设备红外图像识别网络YOLOv8n-DCSW。在YOLOv8n主干网络中添加坐标注意力(Coordinate Attention, CA)并使用可变形卷积网络(Deformable Convolution Network, DCN)替换残差模块中的标准卷积,加强复杂环境下对小目标的关注度,提高识别精度;将颈部网络更换为Sim-neck,降低模型运算量;引入Wise交并比(Wise Intersection over Union, WIoU)损失函数减少低质量边框产生的梯度干扰,提升模型的识别精度和收敛速度。实验结果表明,所提算法在自建红外数据集上的平均精度均值(mean Average Precision, mAP)达到95.9%,计算量为6.9 GFLOPs,相较原算法mAP提高了1.7%,同时计算量减少了1.2 GFLOPs,满足电力设备红外图像识别的高精度和低计算量要求。

基于改进Canny算子的电力设备图像检测研究

图像边缘检测技术在电力行业的应用越来越广泛,但仍然存在些许问题限制了其在工程中的实际应用。对于复杂的现场电力设备图像,结合最优阈值灰度分割法和Canny算子等图像处理技术,提出了基于改进Canny算子检测电力设备图像。首先利用最优阈值灰度分割法得到的阈值作为Canny算子的高阈值Th;然后利用高低阈值的对应关系确定低阈值Tl,。由此可实现改进Canny自适应检测电力设备图像的目的。实验结果表明,该方法可取得较为理想的边缘检测效果,具有一定的实用性。

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。

面向电力场景的双通道图像拼接窜改检测模型

随着电力生产智能化的推进,电力图像被广泛应用。然而由于图像编辑软件的发展导致部分电力图像被恶意窜改,严重影响电力生产进程。其中以拼接窜改最为常见。基于深度学习技术,提出了一种双通道CenterNet的图像拼接窜改检测模型。原色图像通道提取窜改图像的色调、纹理等特征,隐写分析通道发掘图像窜改区域的噪声特征。同时设计了一种基于注意力机制的特征融合模块,自适应地对双通道的特征进行加权融合,以增强检测模型的特征识别能力。实验结果表明,所提模型可以达到更优的检测性能,在电力图像的窜改检测应用中具有实际意义。

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。

基于改进遗传算法的电力设备红外图像分割研究

针对传统的遗传算法对目标图像感兴趣部位(ROI)分割存在收敛速度慢、耗时长、分割过当等缺点,提出一种改进遗传算法的分割方法,该方法采用最佳熵阈值法确定分割阈值,从而减少计算量,缩短耗时。通过Matlab仿真实验所得结果表明,改进后的遗传算法在电力设备红外图像分割的时间和效果上均优于传统算法。

基于深度混合专家模型的电力气象识别技术

对电能传输和设施运行产生严重干扰的天气现象称为高影响天气现象,然而目前基于人工观测高影响天气现象的方法存在着时效低、耗费人力等缺陷。针对此问题,提出一种基于混合专家模型深度学习的电力图像高影响天气现象识别算法。通过对密集连接网络的预训练,实现了图像判别式特征的提取,采用混合专家模型对天气现象进行初步分类,联合优化两部分模型参数,设计生成了对电力图像中的高影响天气现象识别模型。基于高影响天气现象识别数据集对所提模型进行测试验证,算例结果表明,所提方法的图像识别耗时缩减了约75%,同时在模型稳定性和识别准确程度方面也具有一定优势。

应用于电力设备图像的数学形态学边缘检测

目的:近年来,电厂以及电网的新型化与网络化逐步展开,远程监测系统在电力行业中广泛应用,数字图像处理在其中扮演着重要的角色,边缘信息的提取对于图像后期处理的效果尤其关键。因此,提高图像检测的精准程度,对于全面推行和深化电力设备的维护与检修意义重大:一方面可以提升企业生产运输的效率;另一方面维护了厂区与工作人员的安全。方法:本文通过分析电力设备图像的特点,充分发挥数学形态学的优势,提出了一种自适应权重的多尺度多方向新型算子。并且引入权重的概念,使边缘检测模式与对应图像之间达到最佳配准,进而提取到更全面更精细的图像边缘。结果:大量数值实验表明,该算法可以更好地提取到边缘细节,其边缘检测评价指标(品质因数F)提升到了0.9以上的超高数值,表明提取到的图像边缘非常完整,而且对噪声的抑制与消除也有明显的改善。结论:本文所提出的多尺度多方向的数学形态学边缘检测新思想,在图像的边缘检测方面具有明显的优势,为电力公司的图像监测提供了有益思路和算法支撑,具有很好的应用价值。

一种小波改进算法电力设备红外图像去噪方法

针对电力设备图像中的散斑噪声,提出一种小波改进算法电力设备超声图像去噪方法。红外图像质量下降的主要原因是噪声的污染,本文将红外图像转化到小波域,利用改进的阈值函数处理各小波系数。本文所用阈值函数较较以往方法有较好的连续性。处理断路器局部过热的红外图像结果表明,该方法在去除噪声的同时可以较好的保留边缘及部分细节。

基于深度学习的电力设备图像识别模型构建

为了解决电力设备故障识别中存在识别精度低、识别耗时长等问题,提出构建基于深度学习的电力设备图像识别模型。利用飞行设备搭载采集系统获取电力设备样本图像,采用加权平均法将RGB彩色图像转换为灰度图像;通过均值滤波法对电力设备图像进行降噪,以及采用二次泰勒级数卷积对电力设备图像边缘进行自适应增强,完成电力设备图像的预处理;在此基础上,采用权重融合的相似性测度对电力设备图像特征进行融合,引入卷积神经网络构建电力设备图像识别模型。实验结果表明:采用所提模型识别电力设备图像的精度最高可达99%,且识别耗时始终低于5s。

多特征联合稀疏表示的电力设备图像识别方法

针对电力设备图像识别问题,提出基于多特征联合稀疏表示的新方法。分别采用Krwatchouk矩、LBP描述子以及PCA特征矢量描述电力设备图像的几何形状、局部纹理以及像素分布特性。因此,三种特征具有良好互补性。在分类阶段,采用联合稀疏表示对三类特征进行表征,利用它们的内在关联提高稀疏表示的精度。最终,根据三类特征的总体重构误差判定测试样本的类别、采用绝缘子、变压器和断路器三种典型电力设备图像对提出方法进行性能测试,结果表明了方法的有效性。