电力设备红外热图的识别方法和电力设备红外识别***
技术领域
本发明属于电力设备技术领域,具体涉及一种电力设备红外热图的识别方法和电力设备红外识别***。
背景技术
输变电线路中有多种电力设备,为了避免故障的发生,因长期工作,并且绝大多数电力设备经受日晒雨淋,出现故障的几率较大,因此需要定期巡检。
对输变电线路中的电力设备进行识别的传统方法为:采集输变电线路中电力设备的图片或视频,传输至监控后台,监控后台的工作人员通过人眼观察图片或视频,人为判断输变电线路中的电力设备是否存在缺陷。该种通过监控后台的工作人员人眼观察并判断是否存在缺陷的方式,给工作人员带来很大的工作量,不能实现智能化缺陷识别。
目前,也出现了多种智能巡检方法,利用红外热像仪获取待检测电力设备的红外热图,通过计算机视觉、红外热图处理等技术实现电力设备的识别和定位,进而可以进行状态监测和故障诊断。虽然对于电力设备的巡检更加智能化,但是现有对于电力设备的红外热图识别技术依然存在一些不足,例如对于背景和拍摄器材的噪音抗干扰能力较弱。
发明内容
为了解决上述问题,本发明提供了一种电力设备红外热图识别方法,结合电力设备所具有的不同图像纹理和热分布情况,采用机器自我学习的算法进行纹理和热分布的识别,对于背景和拍摄器材所造成的噪音具有较强的抗干扰能力。
本发明的技术方案为:一种电力设备红外热图识别方法,包括以下步骤:
S1:通过红外热像仪采集多个包含有待识别的电力设备的红外热图,获得训练样本集合;
S2:对训练样本集合中的每个电力设备红外热图分别依次进行增强处理以及归一化处理,得到预处理红外热图;
S3:提取所述预处理红外热图中的电力设备红外热图特征,所述电力设备红外热图特征包括图像特征和热分布特征:构建VGG16深度网络,其中VGG16深度网络中从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为Squeeze Net中的模块化的卷积化模块Fire Module,即获得基于VGG16和Squeeze Net的神经网络框架;
S4:保存瓶颈特征:输入训练样本集合和测试样本集合,提取全连接层之前的输出,即获得瓶颈特征,并使用Nadam优化器训练瓶颈特征;
S5:网络优化:VGG16深度网络预权重以及瓶颈特征权重,冻结神经网络框架的第一卷积模块、第二卷积模块以及第三卷积模块,并将第四卷积模块、第五卷积模块以及全连接层进行全局优化训练,得到电力设备网络模型,获得红外热图为电力设备的概率阈值;
S6:利用所述电力设备网络模型,输入或读取待识别红外热图,获得待识别红外热图中包括所述电力设备的概率,若待识别红外热图中包括所述电力设备的概率高于所述概率阈值时,则该待识别红外热图为所述电力设备。
本发明中首先采集电力设备红外热图,一般电力设备红外热图大小为512*512,并且电力设备红外热图中应包含用于识别的电力设备,并且电力设备在红外热图中的相对位置保持大致一致,其中电力设备可以为多种现有的电力设备,例如电力设备可为电力绝缘子,也可以为电流互感器。
利用红外热像仪获取电力设备信息,其中包含需要进行分类的设备,本发明对红外热图进行了增强处理,而且由于红外热像仪和获取环境的差异性,本发明将电力设备红外热图进行归一化处理,可以避免红外热像仪和获取环境的差异性造成的影响。
本发明中提取所述预处理红外热图中的电力设备红外热图特征,包括图像特征和热分布特征时,本发明基于现有的深度网络为VGG16网络技术,其中本发明中前几层卷积层可以仅使用3×3卷积核来增加网络深度,通过max pooling(最大池化)依次减少每层的神经元数量,最后三层卷积层分别是两个具有4096个神经元的全连接红外热图特征层,以及一个2值输出的全连接层,最后为Softmax层。VGG16网络属于现有技术,本发明不予撰述。
为了加快总体的训练和识别速度,本发明将VGG16从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为Squeeze Net中的模块化的卷积化模块Fire Module,结合VGG16和Squeeze Net中的模块化的卷积(Fire Module)构建得到一种新的网络框架,同时,本发明还利用公开的预训练权重初始化所有的卷积层,将预处理后增强的红外热图,输入深度网络的卷积层,其输出的结果即为提取的电力设备红外热图特征。利用上述提取的电力设备红外热图特征,使用Nadam优化器训练瓶颈特征,搭建全连接网络框架,并设置Nadam优化器,使用提取的瓶颈特征以得到权重。
利用提取的电力设备红外热图特征,冻结神经网络框架的第一卷积模块、第二卷积模块以及第三卷积模块,仅对网络中的第四卷积模块、第五卷积模块以及全连接层进行全局优化训练,以更新所述瓶颈特征权重,其中可以采用SGD优化器进行全局优化训练。
作为优选,所述步骤S1中,将采集的电力设备红外热图进行不同尺度的变换,获得训练样本集合。本发明中对采集的电力设备红外热图进行不同尺度的变换方式有多种,例如包括拉升以及旋转等,变换形成一个丰富的训练样本集合。
本发明中进行增强处理的方式有多种,采用现有多种增强处理方式即可,作为优选,所述步骤S2中通过拉普拉斯算子进行增强处理。
本发明中进行归一化的方式有多种,作为优选,所述步骤S2中计算电力设备红外热图在R通道上的最大值Rmax、最小值Rmin以及平均值Ravg,通过下列公式对训练样本集合中所有的电力设备红外热图进行归一化:
其中R
t 1代表电力设备红外热图任意像素在R通道的数值,R
t代表电力设备红外热图任意像素在R通道上进行归一化的数值,
代表电力设备红外热图任意像素在R通道的最大值,
代表电力设备红外热图任意像素在R通道的最小值,
代表电力设备红外热图任意像素在R通道的平均值。
作为优选,每个卷积化模块Fire Module包含X个1×1的卷积层和扩展部分,所述扩展部分由Y个1×1扩展部分和Z个3×3的扩展部分组成。
作为优选,所述步骤S5中通过随机梯度算法SGD优化进行全局优化训练。
本发明的方法可以应用于识别多种电力设备,作为优选,所述电力设备为绝缘子以及电流互感器等。
作为优选,所述待识别红外热图中电力设备识别区域处于中心的横向矩形当中或者纵向矩形当中。对红外电力设备划分有效的识别区域,由于拍摄设备获取的电力设备红外热图含有丰富的背景和周边信息,在实际业务过程中,本发明可以要求的电力设备识别区域处于中心的横向矩形当中,或者纵向矩形当中。同时分类识别图片中可以同时带有多个绝缘子和其他的电力设备。
本发明还提供了一种基于深度学习的电力设备红外识别***,包括:
样本预处理单元,用于对红外热像仪采集的电力设备红外热图进行预处理;
特征提取单元,构建基于VGG16和Squeeze Net的神经网络框架,并进行预权重以提取获得电力设备红外热图特征;
模型训练单元,利用电力设备红外热图特征,并使用Nadam优化器训练瓶颈特征;
网络优化单元,将第四卷积模块、第五卷积模块以及全连接层通过随机梯度算法SGD优化进行全局优化训练,以获得电力设备网络模型;
判定确定单元,利用电力设备网络模型,以获得待识别红外热图为待识别电力设备的概率。
与现有技术相比,本发明的有益效果体现在:
(1)本发明采用基于前期大量电力领域设备红外热图的分析和学习,对红外电力设备等电力设备进行了自动化识别,有效减少了现场人员的培训成本,和拍摄后命名的工作量,降低了现场作业人员人工识别电力设备,并进行标注所需要的时间和精力成本。
(2)相对于大量红外电力设备的人工识别、标注和命名,本发明基于对红外电力设备的高识别率,可以用于现场的图片命名,和后期电力设备状态及异常情况的自动化分析,本发明识别红外电力设备等电力设备的准确率高。
(3)本发明所采用的纹理识别和热像热分布识别相互结合的算法,优于现有的单一识别方法,识别的准确率更高。
附图说明
图1为本发明中基于VGG16和Squeeze Net的神经网络框架示意图。
图2为本发明中卷积化模块Fire Module的示意图。
图3为本发明中红外电力设备识别***的流程示意图。
具体实施方式
实施例1
一种电力设备红外热图识别方法,包括以下步骤:
S1:通过红外热像仪采集多个包含有待识别的电力设备的红外热图,将采集的电力设备红外热图进行不同尺度的变换,获得训练样本集合。本实施例中对采集的电力设备红外热图进行不同尺度的变换方式有多种,例如包括拉升以及旋转等,变换形成一个丰富的训练样本集合。
S2:对训练样本集合中的每个电力设备红外热图分别依次通过拉普拉斯算子进行增强处理以及归一化处理,得到预处理红外热图;其中,计算电力设备红外热图在R通道上的最大值Rmax、最小值Rmin以及平均值Ravg,通过下列公式对训练样本集合中所有的电力设备红外热图进行归一化:
其中R
t 1代表电力设备红外热图任意像素在R通道的数值,R
t代表电力设备红外热图任意像素在R通道上进行归一化的数值,
代表电力设备红外热图任意像素在R通道的最大值,
代表电力设备红外热图任意像素在R通道的最小值,
代表电力设备红外热图任意像素在R通道的平均值。
S3:提取预处理红外热图中的电力设备红外热图纹理特征和热分布特征:构建VGG16深度网络,如图1和图2所示,本实施例中VGG16深度网络中从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为Squeeze Net中的模块化的卷积化模块Fire Module,每个卷积化模块Fire Module包含X个1×1的卷积层和扩展部分,扩展部分由Y个1×1扩展部分和Z个3×3的扩展部分组成,Fire Module中的卷积数量见表1,即获得基于VGG16和Squeeze Net的神经网络框架;
表1建构的深度网络架构中Fire Module中的卷积数量
卷积数量 |
X(1x1) |
Y(1x1,扩展) |
Z(3x3,扩展) |
Fire_1 |
8 |
32 |
32 |
Fire_2 |
16 |
64 |
64 |
Fire_3 |
16 |
64 |
64 |
Fire_4 |
32 |
128 |
128 |
Fire_5 |
32 |
128 |
128 |
Fore_6 |
32 |
128 |
128 |
S4:保存瓶颈特征:输入训练样本集合和测试样本集合,提取全连接层之前的输出,即获得瓶颈特征,并使用Nadam优化器训练瓶颈特征;
S5:网络优化:VGG16深度网络预权重以及瓶颈特征权重,冻结神经网络框架的第一卷积模块、第二卷积模块以及第三卷积模块,并将第四卷积模块、第五卷积模块以及全连接层通过随机梯度算法SGD优化进行全局优化训练,得到电力设备网络模型,获得红外热图为电力设备的概率阈值;
S6:利用电力设备网络模型,输入或读取待识别红外热图,获得待识别红外热图中包括电力设备的概率,若待识别红外热图中包括电力设备的概率高于概率阈值时,则该待识别红外热图为电力设备。
本发明中首先采集电力设备红外热图,一般电力设备红外热图大小为512*512,并且电力设备红外热图中应包含用于识别的电力设备,并且电力设备在红外热图中的相对位置保持大致一致,其中电力设备可以为多种现有的电力设备,例如绝缘子、电流互感器等。
利用红外热像仪获取电力设备信息,其中包含需要进行分类的电力设备,本发明对红外热图进行了增强处理,而且由于红外热像仪和获取环境的差异性,本发明将电力设备红外热图进行归一化处理,可以避免红外热像仪和获取环境的差异性造成的影响。
本发明中提取预处理红外热图中的电力设备红外热图特征时,本发明基于现有的深度网络为VGG16网络技术,其中本发明中前几层卷积层可以仅使用3×3卷积核来增加网络深度,通过max pooling(最大池化)依次减少每层的神经元数量,最后三层卷积层分别是两个具有4096个神经元的全连接红外热图特征层,以及一个2值输出的全连接层,最后为Softmax层。其中VGG16网络属于现有技术,本发明不予撰述。
为了加快总体的训练和识别速度,本发明将VGG16从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为Squeeze Net中的模块化的卷积化模块Fire Module,结合VGG16和Squeeze Net中的模块化的卷积(Fire Module)构建得到一种新的网络框架,同时,本发明还利用公开的预训练权重初始化所有的卷积层,将预处理后增强的红外热图,输入深度网络的卷积层,其输出的结果即为提取的电力设备红外热图特征。利用上述提取的电力设备红外热图特征,使用Nadam优化器训练瓶颈特征,搭建全连接网络框架,并设置Nadam优化器,使用提取的瓶颈特征以得到权重。
利用提取的电力设备红外热图特征,冻结神经网络框架的第一卷积模块、第二卷积模块以及第三卷积模块,仅对网络中的第四卷积模块、第五卷积模块以及全连接层进行全局优化训练,以更新瓶颈特征权重,其中可以采用sgd优化器进行全局优化训练。
一般情况下,本发明中待识别红外热图中电力设备识别区域处于中心的横向矩形当中或者纵向矩形当中。对红外电力设备划分有效的识别区域,由于拍摄设备获取的电力设备红外热图含有丰富的背景和周边信息,在实际业务过程中,本发明可以要求的电力设备识别区域处于中心的横向矩形当中,或者纵向矩形当中。同时分类识别图片中可以同时带有多个电力设备。
上述方法对应的一种基于深度学习的红外电力设备识别***,如图3所示,该***包括:
样本预处理单元1,用于对红外热像仪采集的电力设备红外热图进行预处理;
特征提取单元2,构建基于VGG16和Squeeze Net的神经网络框架,并进行预权重以提取获得电力设备红外热图纹理及热分布特征;
模型训练单元3,利用电力设备红外热图特征,并使用Nadam优化器训练瓶颈特征;
网络优化单元4,将第四卷积模块、第五卷积模块以及全连接层通过随机梯度算法SGD优化进行全局优化训练,以获得电力设备网络模型;
判定确定单元5,利用电力设备网络模型,以获得待识别红外热图为待识别电力设备的概率。