发明内容
针对上述问题,本发明的目的在于提供一种基于逻辑回归覆冰检测方法,能对线路处于覆冰状态的概率进行自动估计,以实现对架空线路覆冰状态的检测提供一定的辅助。
第一方面,本发明提供了一种基于逻辑回归覆冰检测方法,包括:
获取待检测图像的二值化图像的灰度均值集M;其中,M={M1,M2,…,Ma},其中,所述a为所述待检测图像的张数;
获取代价函数最小值时的预设回归参数值θ;
根据所述灰度均值集M中的每一灰度均值Mi及所述预设回归参数值θ获取预测函数的结果;其中,所述Mi为所述灰度均值集M中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,a);
根据所述结果判断所述待检测图像覆冰的概率。
在第一方面的第一种可能实现方式中,所述获取代价函数最小值时的预设回归参数值θ包括:
获取训练样本集;
根据逻辑回归方法获取逻辑回归模型;
根据加速迭代法对所述逻辑回归模型中的代价函数进行建模,获取加速逻辑回归模型;
根据所述训练样本集对所述加速逻辑回归模型进行训练,以获取所述代价函数最小值时的预设回归参数值θ。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所述根据加速迭代法对所述逻辑回归模型中的代价函数进行建模,获取加速逻辑回归模型包括:
根据加速迭代法获取所述代价函数的一阶偏导函数G(k)和二阶偏导函数H(k);其中,k为迭代次数;
获取所述代价函数的回归参数的回归函数θ(k);其中,k为所述迭代次数;
根据所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)建立回归函数θ(k+1);
则所述根据所述训练样本集对所述加速逻辑回归模型进行训练,以获取所述代价函数最小值时的预设回归参数值θ包括:
获取预设的精度值;
根据所述训练样本集分别求解出所述回归参数为θ(k)的值和所述回归参数为θ(k+1)值;
在所述回归参数为θ(k+1)的值减去所述回归参数为θ(k)的值的绝对值小于所述精度值时,获取所述预设回归参数值θ=θ(k+1)。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,所述根据所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)建立回归函数θ(k+1)包括:
对所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)按如下公式计算回归函数θ(k+1):
其中,k为所述迭代次数;其中,所述k初始值为0,θ(0)=0.1。
结合第一方面的第一种可能实现方式,在第一方面的第四种可能实现方式中,所述获取训练样本集包括:
获取待检测线路上的自然图像的灰度均值集X;其中,X={X1,X2,…,Xb};其中,所述b为所述自然图像的张数;
获取根据所述自然图像的覆冰情况而加入的标签Yi值,以由所述标签Yi值确定所述第i张的自然图像是否有覆冰;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;
获取所述灰度均值集X中的每一灰度均值Xi;其中,所述Xi为所述灰度均值集X中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,b);其中,所述b为所述自然图像的张数;
根据所述灰度均值X
i和所述标签Y
i建立二维数组
的训练样本集,其中,b为所述自然图像的张数。
结合第一方面的第四种可能实现方式,在第一方面的第五种可能实现方式中,所述根据逻辑回归方法获取逻辑回归模型,包括:
根据逻辑回归方法获取逻辑回归模型中的代价函数和预测函数;其中,所述代价函数为:
其中,所述k为迭代次数;其中,所述N为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;其中,所述Yi为所述标签Yi;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;其中,所述hθ(Zi)为预测函数;其中,所述Zi为第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi,其中,i=(1,2,…,a);在进行训练时,Zi=Xi,其中,i=(1,2,…,b);
其中,所述预测函数为:
其中,所述k初始值为0,θ(0)=0.1;其中,Zi第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi;在进行训练时,Zi=Xi;其中,θ(k)zi为参数是所述Zi灰度均值时的回归函数,在进行检测所述待测图像时,θ(k)为预设回归参数值θ。
第二方面,本发明还提供了一种基于逻辑回归覆冰检测装置,包括:
灰度均值获取模块,用于获取待检测图像的二值化图像的灰度均值集M;其中,M={M1,M2,…,Ma},其中,所述a为所述待检测图像的张数;
预设回归参数值获取模块,用于获取代价函数最小值时的预设回归参数值θ;
预测函数结果值获取模块,用于根据所述灰度均值集M中的每一灰度均值Mi及所述预设回归参数值θ获取预测函数的结果;其中,所述Mi为所述灰度均值集M中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,a);
判断模块,用于根据所述结果判断所述待检测图像覆冰的概率。
第三方面,本发明实施例还提供了一种基于逻辑回归覆冰检测设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一一项所述的基于逻辑回归覆冰检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于逻辑回归覆冰检测方法。
第五方面,本发明实施例还提供了一种基于逻辑回归覆冰检测系统,包括小型旋翼无人机及设置于所述小型旋翼无人机上的摄像头;
所述小型旋翼无人机包括上所述覆冰概检测设备,其中,所述处理器为NvidiaJetson TK1处理器;
所述覆冰检测设备连接所述摄像头,以获取由所述摄像头拍摄得到的所述待检测图像和所述待检测线路上的自然图像。
上述技术方案的一个技术方案具有如下优点:获取待检测图像的灰度均值Mi和代价函数最小值时的预设回归参数值θ,根据所述灰度均值Mi及所述预设回归参数值θ获取预测函数的结果,根据所述结果判断所述待检测图像覆冰的概率;利用逻辑回归法得到的所述代价函数和预测函数对所述待检测图像的灰度均值Mi进行处理,速度快,能快速进行二分类,容易地更新模型吸收新的数据,通过对所述待检测图像的分析,能对线路处于覆冰状态的概率进行自动估计,以实现对架空线路覆冰状态的检测提供一定的辅助。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于逻辑回归覆冰检测方法,用于对线路处于覆冰状态的概率进行自动估计,以实现对架空线路覆冰状态的检测提供一定的辅助,以下分别进行详细说明。
实施例一
参见图1,本发明第一实施例提供的基于逻辑回归覆冰检测方法流程示意图;
S11、获取待检测图像的二值化图像的灰度均值集M;其中,M={M1,M2,…,Ma},其中,所述a为所述待检测图像的张数;
在本本发明实施例中,所述待检测图像为彩色图像,所述彩色图像指每个像素由R、G或B分量构成的图像,其中,所述R、所述G或所述B是由不同的灰度级来描述的。
在本发明实施例中,所述二值化图像为图像的每个像素只能是黑或白,没有中间的过渡,又称二值图像,所述二值图像的像素值为0或1,按照覆冰部分和其余线路部分颜色的不同,将所述待检测图像按下式转化为二值图像,将所述待检测图像中含冰的部分变为白色,白色的数值为1,其余颜色部分变为黑色,黑色对应的数值为0,本发明对此不作具体限定。
图像的二值化即将灰度图像变为二值图像的过程,通常取一个阈值,图像中每个像素点的灰度值和该阈值进行比较,比较的大小结果分别设为0或1,即得到二值图像。可以根据以下方式获取所述待检测图像的二值化图像的灰度均值集:
S111、将所述待检测图像按二值图像公式转化成二值图像,其中,所述二值图像公式为:
其中,所述D1=[a,b],所述D2=[c,d],所述D3=[e,f],所述D4=[0,a)∪(b,255],所述D5=[0,c)∪(d,255],所述D6=[0,e)∪(f,255];其中,Mi(p,q)表示大小为p*q的第i张所述待检测图像的二值化图像在(p,q)位置处的灰度值;其中,所述Mi(p,q)(R)表示第i张所述待检测图像的二值化图像在(p,q)位置处的红色分量;所述Mi(p,q)(G)表示第i张所述待检测图像的二值化图像在(p,q)位置处的绿色分量;所述Mi(p,q)(B)表示第i张所述待检测图像的二值化图像在(p,q)位置处的蓝色分量;其中,所述a、所述b、所述c、所述d、所述e和所述f为环境变量。
在本发明实施例中,所述a、所述b、所述c、所述d、所述e和所述f的数值选取的主要原则为使输电线路所处地理位置中的其他元素(如输电线路所处背景中的树林、线路上方的天空等)对图像二值化的过程造成的干扰最小。例如,根据所述待检测图像中输电线路的实际地理情况,所述待检测图像的背景中三分量所述R、G或B分量主要分布于[130,180]的区间内,因此所述a、所述b、所述c、所述d、所述e和所述f的值选为a=129,b=167,c=141,d=179,e=141,f=179使背景中的干扰较小,本发明对此不作具体限定。
在获取所述待检测图像的对应的二值图像后,对每一所述二值图像进行如下操作:
S112、将所述二值图像按如下公式计算所述二值图像的灰度均值:
其中,Mi(p,q)表示大小为p×q的第i张所述待检测图像的二值化图像在(p,q)位置处的灰度值。
S113、获取由所述Mi组合的所述灰度均值集M,根据每一待检测图像对应的二值图像的灰度均值Mi进行集合,得到所述灰度均值集M。
S12、获取代价函数最小值时的预设回归参数值θ。
在本发明实施例中,所述代价函数反映预测结果和实际结果之间的偏差,在所述代价函数值最小时,即预测结果和实际结果之间的偏差最小,则所述代价函数对应的所述回归参数为所述预设回归参数值θ值。
S13、根据所述灰度均值Mi及所述预设回归参数值θ获取预测函数的结果。
在本发明实施例中,所述预测函数反映当输入灰度值为Mi时预测结果为输电线路中含有覆冰的概率,在所述预设回归参数值θ使所述代价函数最小时,能确保所述预测函数的预测的结果最精确。
S14、根据所述结果判断所述待检测图像覆冰的概率。
在本发明实施例中,所述预测函数的值越接近1时,说明预测的输电线路越有可能含有覆冰,所述预测函数的值越接近0时,说明预测的输电线路越没有可能含有覆冰。
实施本实施例具有如下有益效果:获取待检测图像的灰度均值Mi和代价函数最小值时的预设回归参数值θ,根据所述灰度均值Mi及所述预设回归参数值θ获取预测函数的结果,根据所述结果判断所述待检测图像覆冰的概率;利用逻辑回归法得到的所述代价函数和预测函数对所述待检测图像的灰度均值Mi进行处理,速度快,能快速进行二分类,容易地更新模型吸收新的数据,通过对所述待检测图像的分析,能对线路处于覆冰状态的概率进行自动估计,以实现对架空线路覆冰状态的检测提供一定的辅助,以便根据架空线路覆冰状态出现的概率对线路进行进一步检查,避免因线路覆冰给电力系统带来的损失。
实施例二,在实施例一的基础上,参见图2是本发明第二实施例提供的另一种基于逻辑回归覆冰检测方法流程示意图;
需要说明的时,在进行待检测图像覆冰概率检测前,需要进行建模训练,以获取代价函数最小值时的预设回归参数值θ和覆冰概率检测模型。
则所述S12、获取代价函数最小值时的预设回归参数值θ包括:
S21、获取训练样本集;
优选地,参见图3,所述获取训练样本集包括:
S211、获取待检测线路上的自然图像的灰度均值集X;其中,X={X1,X2,…,Xb};其中,所述b为所述自然图像的张数;
需要说明的是,所述训练样本集包括含覆冰状态和不含覆冰状态,即所述待检测线路上的自然图像为待检测线路上含覆冰状态和不含覆冰状态的自然图像,则所述自然图像可为所述待检测线路上同一时刻或不同时刻的自然图像或所述待检测线路上同一区域路段或不同区域路段,本发明对此不作具体限定。
优选地,所述自然图像的大小归一化,所述自然图像的大小统一为所述p*q,本发明对此不作具体限定。
在本发明实施例中,所述获取自然图像的灰度均值集X与实施例一中获取所述待检测图像的二值化图像的灰度均值集M原理一样,在此不再赘述。
S212、获取根据所述自然图像的覆冰情况而加入的标签Yi值,以由所述标签Yi值确定所述第i张的自然图像是否有覆冰;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;
在本发明实施例中,可以事先对所述待检测线路上的自然图像上的覆冰情况进行判断,在所述自然图像的覆冰情况为不含有覆冰时,赋值Yi=0,例如,参见图4,在第七张自然图像为含有覆冰时,则相应的所述第七张自然图像的Yi=1。
S213、获取所述灰度均值集X中的每一灰度均值Xi;其中,所述Xi为所述灰度均值集X中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,b);其中,所述b为所述自然图像的张数;
S214、根据所述灰度均值X
i和所述标签Y
i建立二维数组
的训练样本集,其中,b为所述自然图像的张数。
在本发明实施例中,假设所述图3为所述自然图像中的第七张自然图像,所述第七张自然图像的灰度均值X
i=0.1373,所述第七张自然图像的Y
i=1,所述第七张自然图像的二维数组为{0.1373,1}。相应的获取b张所述自然图像的二维数组
以得到所述训练样本集。
S22、根据逻辑回归方法获取逻辑回归模型。
在本发明实施例中,所述逻辑回归模型包括代价函数和预测函数。
S23、根据加速迭代法对所述逻辑回归模型中的代价函数进行建模,获取加速逻辑回归模型;
需要说明的是,在本实施例中,所述覆冰概率检测模型即为所述加速逻辑回归模型。
在本发明实施例中,根据所述加速迭代法对所述代价函数进行加速迭代。
需要说明的是,与现有逻辑回归分类算法相比,现有的逻辑回归算法在模型训练的过程中采用梯度下降法,导致该分类模型的参数的确定不但需要自动选择学习率,消耗大量的时间,且存在收敛性差的弊端,这也影响了该算法分类效果,本实施例在相同的代价函数的基础上利用加速迭代法提高了模型的训练速度,并无须选择学习率,提高了检测过程的效率。
S24、根据所述训练样本集对所述加速逻辑回归模型进行训练,以获取所述代价函数最小值时的预设回归参数值θ。
在本发明实施例中,将所述训练样本集输入,采用加速迭代法训练分类器的模型参数,以获取所述代价函数最小值时的预设回归参数值θ。
优选地,所述S22、根据逻辑回归方法获取逻辑回归模型,包括:
根据逻辑回归方法获取逻辑回归模型中的代价函数和预测函数;其中,所述代价函数为:
其中,所述k为迭代次数;其中,所述N为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;其中,所述Yi为所述标签Yi;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;其中,所述hθ(Zi)为预测函数;其中,所述Zi为第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi,其中,i=(1,2,…,a);在进行训练时,Zi=Xi,其中,i=(1,2,…,b)。
在本发明实施例中,对于输入模型的每个样本{Xi,Yi},所述代价函数中(1-Yi)ln(1-hθ(Xi))反映了样本线路无冰但预测结果覆冰而产生的偏差,所述代价函数中Yi ln(hθ(Xi))反映了样本线路覆冰但预测结果无冰而产生的偏差。
其中,所述预测函数为:
其中,所述k初始值为0,θ(0)=0.1;其中,Zi第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi;在进行训练时,Zi=Xi;其中,θ(k)zi为参数是所述Zi灰度均值时的回归函数,在进行检测所述待测图像时,θ(k)为预设回归参数值θ。
在本发明实施例中,所述预测函数hθ(Xi)越接近1时,说明预测的输电线路越有可能含有覆冰,所述预测函数hθ(Xi)越接近0时,说明预测的输电线路越没有可能含有覆冰。
优选地,参见图5,所述S23、根据加速迭代法对所述逻辑回归模型中的代价函数进行建模,获取加速逻辑回归模型包括:
S231、根据加速迭代法获取所述代价函数的一阶偏导函数G(k)和二阶偏导函数H(k);其中,k为迭代次数;
在本发明实施例中,所述代价函数如下,
其中,所述N为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;
对所述代价函数J(k)(θ)对θ的求导一阶偏导数G过程如下:
其中,所述n为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;其中,Zi第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi;在进行训练时,Zi=Xi;
对所述代价函数J(k)(θ)对θ的求导二阶偏导数H过程如下:
其中,所述n为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;其中,Zi第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi;在进行训练时,Zi=Xi;
S232、获取所述代价函数的回归参数的回归函数θ(k);其中,k为所述迭代次数;
S233、根据所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)建立回归函数θ(k+1);
参见图6,则所述S24、根据所述训练样本集对所述加速逻辑回归模型进行训练,以获取所述代价函数最小值时的预设回归参数值θ包括:
S241、获取预设的精度值;
S242、根据所述训练样本集分别求解出所述回归参数为θ(k)的值和所述回归参数为θ(k+1)值;
S243、在所述回归参数为θ(k+1)的值减去所述回归参数为θ(k)的值的绝对值小于所述精度值时,获取所述预设回归参数值θ=θ(k+1)。
优选地,所述S233、根据所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)建立回归函数θ(k+1)包括:
对所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)按如下公式计算回归函数θ(k+1),即利用θ(k)、G(k)和H(k)更新参数θ(k+1):
其中,k为所述迭代次数;其中,所述k初始值为0,θ(0)=0.1。
需要说明的是,得到的参数θ(k+1)时的代价函数J(k+1),判断是否满足条件|J(k+1)-J(k)|ε;若满足条件,则得到最终的参数值θ=θ(k+1);否则令k=k+1,继续步骤S23,获取k=k+1的一阶偏导函数G(k)和二阶偏导函数H(k),建立k=k+1的建立回归函数θ(k+1)。
具体的,假设采集了采集2000张大小为1280*720的输电线路的图像(含覆冰状态和正常状态){X
1,X
2,…,X
2000}作为训练样本图像,即所述自然图像,再将所述自然图像转化为二值图像后,按如下公式计算其平均灰度值:
然后根据每张自然图像的异常情况加入分别标签Y
i∈{0,1};利用逻辑回归方法,初始化迭代次数k=0,参数θ
(0)=0.1,并按照如下公式计算代价函数:
其中,Zi=Mi;在得到所述代价函数的一阶偏导函数G(k)和二阶偏导函数H(k)后,根据如下公式计算回归参数θ(k+1):
给定一定精度值为ε=0.001,假设得到的θ=20.4507,则所述预设的回归参数值θ=20.4507,根据所述灰度均值集M中的每一灰度均值Mi,假设其中一个灰度均值为0.1373,θ=20.4507,根据预测函数:
其中,Zi=Mi=0.1373,则预测函数为:
其中,-θ(k)zi=20.45070.1373;
由此计算得到的概率为0.9431,即覆冰的概率为0.9431。
实施本实施例具有如下有益效果:将训练样本集中所有样本的偏差求和并取其均值作为代价函数,选取合适的回归参数θ使代价函数J最小,从而确保预测的结果最精确;与现有逻辑回归分类算法相比,本方法在相同的代价函数的基础上利用加速迭代法提高了模型的训练速度,并无须选择学习率,提高了检测过程的效率。根据待检测图像信息对此线路处于覆冰状态的概率进行自动估计,对架空线路覆冰状态的检测提供一定的辅助;工作人员接收到反馈后可根据覆冰概率的大小有针对性地对可疑线路进行重点排查,在确保电网安全和可靠性的同时大大减小了工作人员的劳动强度和时间成本。
参见图7,图7是本发明第三实施例提供的一种基于逻辑回归覆冰检测装置,包括:
灰度均值获取模块71,用于获取待检测图像的二值化图像的灰度均值集M;其中,M={M1,M2,…,Ma},其中,所述a为所述待检测图像的张数;
预设回归参数值获取模块72,用于获取代价函数最小值时的预设回归参数值θ;
预测函数结果值获取模块73,用于根据所述灰度均值集M中的每一灰度均值Mi及所述预设回归参数值θ获取预测函数的结果;其中,所述Mi为所述灰度均值集M中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,a);
判断模块74,用于根据所述结果判断所述待检测图像覆冰的概率。
优选地,所述预设回归参数值获取模块72包括:
样本集获取单元,用于获取训练样本集;
逻辑回归模型获取单元,用于根据逻辑回归方法获取逻辑回归模型;
加速逻辑回归模获取单元,用于根据加速迭代法对所述逻辑回归模型中的代价函数进行建模,获取加速逻辑回归模型;
训练单元,用于根据所述训练样本集对所述加速逻辑回归模型进行训练,以获取所述代价函数最小值时的预设回归参数值θ。
优选地,所述加速逻辑回归模获取单元包括:
偏导函数获取单元,用于根据加速迭代法获取所述代价函数的一阶偏导函数G(k)和二阶偏导函数H(k);其中,k为迭代次数;
回归函数获取单元,用于获取所述代价函数的回归参数的回归函数θ(k);其中,k为所述迭代次数;
回归函数建立单元,用于根据所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)建立回归函数θ(k+1);
则所述训练单元包括:
精度值获取单元,用于获取预设的精度值;
求解单元,用于根据所述训练样本集分别求解出所述回归参数为θ(k)的值和所述回归参数为θ(k+1)值;
预设回归参数值获取单元,用于在所述回归参数为θ(k+1)的值减去所述回归参数为θ(k)的值的绝对值小于所述精度值时,获取所述预设回归参数值θ=θ(k+1)。
优选地,所述回归函数建立单元,包括:
对所述回归函数θ(k)、所述一阶偏导函数G(k)和二阶偏导函数H(k)按如下公式计算回归函数θ(k+1):
其中,k为所述迭代次数;其中,所述k初始值为0,θ(0)=0.1。
所述样本集获取单元包括:
灰度均值集获取单元,用于获取待检测线路上的自然图像的灰度均值集X;其中,X={X1,X2,…,Xb};其中,所述b为所述自然图像的张数;
标签获取单元,用于获取根据所述自然图像的覆冰情况而加入的标签Yi值,以由所述标签Yi值确定所述第i张的自然图像是否有覆冰;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;
灰度均值获取单元,用于获取所述灰度均值集X中的每一灰度均值Xi;其中,所述Xi为所述灰度均值集X中第i张的所述待检测图像的二值化图像的灰度均值,其中,i=(1,2,…,b);其中,所述b为所述自然图像的张数;
训练样本集获取单元,用于根据所述灰度均值X
i和所述标签Y
i建立二维数组
的训练样本集,其中,b为所述自然图像的张数。
优选地,所述逻辑回归模型获取单元包括:
函数获取单元,用于根据逻辑回归方法获取逻辑回归模型中的代价函数和预测函数;其中,所述代价函数为:
其中,所述k为迭代次数;其中,所述N为图像张数,在进行训练时,N=b;在检测所述待检测图像时,N=a;其中,所述Yi为所述标签Yi;其中,Yi∈{0,1},其中,Yi=0表示第i张的自然图像不含覆冰,Yi=1则表示第i张的自然图像含有覆冰;其中,所述hθ(Zi)为预测函数;其中,所述Zi为第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi,其中,i=(1,2,…,a);在进行训练时,Zi=Xi,其中,i=(1,2,…,b);
其中,所述预测函数为:
其中,所述k初始值为0,θ(0)=0.1;其中,Zi第i张图像的灰度均值,在检测所述待测图像时,Zi=Mi;在进行训练时,Zi=Xi;其中,θ(k)zi为参数是所述Zi灰度均值时的回归函数,在进行检测所述待测图像时,θ(k)为预设回归参数值θ。
实施本实施例具有如下有益效果:获取待检测图像的灰度均值Mi和代价函数最小值时的预设回归参数值θ,根据所述灰度均值Mi及所述预设回归参数值θ获取预测函数的结果,根据所述结果判断所述待检测图像覆冰的概率;利用逻辑回归法得到的所述代价函数和预测函数对所述待检测图像的灰度均值Mi进行处理,速度快,能快速进行二分类,容易地更新模型吸收新的数据,通过对所述待检测图像的分析,能对线路处于覆冰状态的概率进行自动估计,以实现对架空线路覆冰状态的检测提供一定的辅助,以便根据架空线路覆冰状态出现的概率对线路进行进一步检查,避免因线路覆冰给电力系统带来的损失。
实施例四,提供了一种基于逻辑回归覆冰检测系统,其特征在于,包括小型旋翼无人机及设置于所述小型旋翼无人机上的摄像头;
所述小型旋翼无人机包括如上所述覆冰概率检测设备,其中,所述处理器为Nvidia Jetson TK1处理器;
所述覆冰概率检测设备连接所述摄像头,以获取由所述摄像头拍摄得到的所述待检测图像和所述待检测线路上的自然图像。
在本发明实施例中通过所述小型旋翼无人机上的摄像头可以实现对输电线路覆冰检测,小型旋翼无人机具有体积小,飞行速度快,飞行相对灵活的优点,因此利用无人机代替人工进行架空线路覆冰状态检测的方法能够在一定程度上减少覆冰巡检带来的人力成本。
实施本实施例具有如下有益效果:根据小型旋翼无人机沿架空线路采集的图像信息对此线路处于覆冰状态的概率进行自动估计,对架空线路覆冰状态的检测提供一定的辅助,并能够在一定程度上减少覆冰巡检带来的人力成本。
请参见图8,图8是本发明第五实施例提供的基于逻辑回归覆冰检测设备的示意图,用于执行本发明实施例提供的基于逻辑回归覆冰检测方法,如图8所示,该覆冰概率检测的终端设备包括:至少一个处理器11,例如CPU,至少一个网络接口14或者其他用户接口13,存储器15,至少一个通信总线12,通信总线12用于实现这些组件之间的连接通信。其中,用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器,也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中,存储器15存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统151,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
程序152。
具体地,处理器11用于调用存储器15中存储的程序152,执行上述实施例所述的基于逻辑回归覆冰检测方法。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于逻辑回归覆冰检测方法的控制中心,利用各种接口和线路连接整个所述基于逻辑回归覆冰检测方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现覆冰概率检测的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述覆冰概率检测集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,在某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。其次,本领域技术人员也应知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模拟一定是本发明所必须的。