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。

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。

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。

云存储中基于MHT的电力设备图像完整性审计方案

针对云存储中电力设备图像面临着被攻击、篡改或丢失等风险,提出一种适用于云端电力设备图像的完整性审计方案.首先,将每个图像切割成4个图像块,再采用尺度不变特征转换(Scale Invariant Feature Transform, SIFT)算法对所有图像块进行特征提取.然后,把每个图像的4个图像块作为一个叶子节点来构建Merkle哈希树(Merkle Hash Tree, MHT).最后,在树中节点增设访问等级位和更新状态位.理论分析和实验结果表明,该方案应用于图像完整性审计时具有较低的计算开销和较高的审计效率,并且对图像的不完整区域能够进行准确的定位,因此更加适用于云端电力设备图像的完整性审计工作.

基于深度神经网络的电力设备图像识别探究

随着电力系统智能化水平的持续提升,越来越多的变电站开始利用远程传输过来的图像与视频做出对相关设备运行情况的评价。在电力系统之中引入图像与视频信息是一种巨大的技术进步,可以促进电力系统智能化水平的提升。基于深度神经网络的电力设备图像识别进行分析,希望能够对深度神经网络有比较全面深入的了解。

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。

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。

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。

基于小波变换的电力设备红外监控图像滤波算法

针对电力设备红外监控图像,提出了一种改进型的半软半硬阈值去噪函数模型。该模型首先对经典的半软半硬阈值去噪函数模型添加了1个小波分解系数相关性因子,使得改进后的模型能够更好的保持图像细节信息的连续性;然后在对传统全局统一阈值的基础上融入了小波分解层数因素,并结合反正弦函数对其进行了改进,使得改进后的阈值能够根据小波分解层数的变化而快速、灵活地调整。为了验证该模型的有效性,对实地获取的电力设备红外监控图像进行去噪试验,结果表明,本研究提出的阈值去噪函数模型的性能明显优于经典小波软、硬阈值函数模型、半软半硬阈值函数模型,对于高效处理电力设备红外监控图像具有一定的参考价值。

基于DAGAN的电气设备小样本红外图像生成技术与应用

面向电力设备的红外图像由于其高度敏感性和机密性,缺乏公开数据集,严重制约了面向电力红外图像的深度学习目标检测网络的发展。针对该问题,使用改进后的数据增强生成对抗网络(DAGAN)对数据进行扩充。首先改变其生成器结构,提出一种全新的生成器结构MUL-U-ResNet3+,该结构对网络结构和残差模块都进行了优化,U-Net结构优化为MUL-U-Net3+结构,并将其残差块改变为SandGlass模块,另外其损失函数的梯度惩罚改变为随机梯度惩罚,从而降低网络训练的难度。使用某220 kV和某500 kV变电站的数据对该算法进行测试,试验结果表明数据扩充后的样本在目标检测中有了更好的效果。