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SIFT特征匹配的电力设备图像变化参数识别

在变电站视频监视系统中,可通过视频巡检来及时发现某些异常状态,以免产生故障。图像的某些参数的改变是判别图像状态改变的重要依据,提出了一种基于SIFT,OTSU和RANSAC相结合的特征匹配的电力设备图像变化参数识别算法。先对样本资料图像和监测图像进行SIFT特征匹配,与OTSU相结合消除干扰匹配特征点,再通过RANSAC随机抽样一致性算法消除错误匹配特征点,根据匹配结果识别电力设备图像变化角度和缩放比例这2个重要参数。仿真实验表明,此算法简单易行,精度高,可用于电力铁塔倾斜角度和指针式仪表指针旋转角度的识别,也可用于视频巡检中缩放系数的识别。

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。

电力设备图像识别方法研究

电力系统图像数据具有数据量大、非结构化等特点,当前对该类图像的智能化识别精准度低。针对该问题,采用卷积神经网络,提取设备图像特征;充分利用传统机器学习特点,结合随机森林及深度学习按特征对图像进行分类。通过8 500张电力设备图像进行测试,由测试结果可知,对于输电线铁塔、输电线电杆、变压器、断路器及绝缘子5种电力设备,平均识别精确度为89.6%,较传统随机森林分类器及卷积神经网络分类器平均识别精准度分别提高12.6%及6.8%。

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。

基于双边滤波的变电站设备图像增强算法

提出了一种变电站设备图像增强算法,提升了站内模糊图像质量。首先,使用巡检机器人采集待识别设备图像。其次,使用数字图像处理技术对采集图像进行去噪等预处理操作。最后,使用双边滤波对图像进行增强处理。实验证明,该方法具有计算快捷,鲁棒性强的特点,为变电站设备识别提供了技术支撑。

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。

基于导向型级联可形变卷积的电气设备红外图像检测

基于红外图像的电气设备识别及其温度异常检测对摄像机拍摄角度变化敏感,提出一种基于导向型级联可形变卷积神经网络的户外电力设备识别检测算法。对残差网络进行改进,在网络的后三个残差块中加入可形变卷积层,以便更好地提取电气设备的特征;利用像素点的概率得分图,预测候选像素点;三个级联的检测器将标定的真实框与算法生成的候选预测框进行阈值筛选,得到最终的预测框。建立并标记了近万张包括绝缘子、电流互感器、避雷器、断路器、隔离开关、套管等6种电气设备及其温度异常数据集ELE,实验结果表明该算法检测平均精度均值(mAP)达到95.3%,对包含小目标温度异常区域检测的mAP达到了88.1%。

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。

轨旁故障图像检测设备智能检测装置的研究

轨旁故障图像检测设备智能检测装置的研究与应用,实现对轨旁故障图像检测设备性能状态的检测,快速定位设备故障点,提高设备维护质量,保障设备运行稳定。

基于Shearlet变换的矿井机电设备视频监控图像处理

矿井机电设备的高效运行是井下安全生产的重要保障,但由于井下粉尘较多、光照不均匀,导致井下视频监控系统获取的机电设备图像较为模糊,影响了对机电设备运行状况的有效监控。为此,将Shearlet变换与图像区域自适应分类方法相结合,提出了一种矿井机电设备视频监控图像处理算法。首先结合图像局部均值和标准差,设计了一种图像块自适应分类方法,将图像自适应分成同质块、非同质块和边缘块等3类图像块,对同质图像块进行维纳滤波;然后对非同质图像块进行多尺度Shearlet变换,得到低频、高频Shearlet分解系数,对高频Shearlet分解系数提出了一种Shearlet变换域自适应阈值去噪函数模型来去除其中的噪声,将原始低频shearlet分解系数及去噪后的高频Shearlet分解系数进行重构;最后,将边缘图像块和去噪后的同质图像块、非同质图像块进行叠加。采用MATLAB语言分别将维纳滤波、小波硬阈值去噪函数模型、小波软阈值去噪函数模型以及所提算法进行编程并进行试验,结果表明:所提算法处理后的图像视觉效果有了较大程度改善,清晰度较好,对于提高矿井机电设备视频监控图像的质量有一定的参考价值。

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。

数字图像设备色度特征化建模软件研究

彩色图像在数字图像设备之间的传输和复制过程中,为保证其色彩还原的准确性和一致性,必须实施色彩管理,而色彩管理的核心技术之一就是对数字图像设备进行色度特征化。在研究了数字图像设备色度特征化的原理和方法的基础上,基于多项式回归法,建立了数字图像的设备色度值RGB与CIE标准颜色空间色度值CIELab之间的非线性关系;并通过Matlab软件编程,设计一种数字图像设备色度特征化的快速建模软件。实验结果表明,应用该软件可实现设备色度值RGB与标准颜色空间色度值CIELab的快速精确转换。

数字图像设备颜色特征化反向变换算法

CIEXYZ是一种不规则颜色空间,难以建立规则的三维查找表直接对数字图像设备进行反向变换.采用基于立方体细分的查找表插值匹配算法,通过设备RGB颜色空间中立方体的细分搜索和迭代,获得与目标颜色三刺激值匹配的设备RGB值.以打印机为例建立三维查找表,通过自制色卡验证了该算法和正向三维查找表算法有较高的重复性.并以ANSI IT8.7/2标准色卡的反向变换为例考察该算法的实际变换精度,结果表明,当CIE三刺激值XYZ位于打印机色域内时,该算法的平均/最大色差为2.06/6.31 CIELAB色差单位.此算法可以精确有效地实现数字图像设备的颜色特征化反向变换.

光学和图像处理设备中的电磁兼容性设计

为了提高获取的三维模型精度,提出了光学和图像处理设备上消除电磁干扰信号的方法。首先运用幅度和频率筛选预测到电磁骚扰源是交流电机伺服器,然后通过计算得到设备接地回路中的共模骚扰电压确定耦合途径,最后依据各部分敏感度指数找到了骚扰接受敏感设备CCD摄像机。根据分析和计算,将该方法运用于多关节机械臂式三维信息获取系统中,取得了很好的效果。通过接地、隔离、滤波、屏蔽等方法逐个进行了符合设备电磁兼容规范的电磁兼容性设计,最终使设备符合了电磁兼容性规范的设计要求。