CN110378407A - 基于纹理参数和神经网络的电力设备图像识别方法和装置 - Google Patents

基于纹理参数和神经网络的电力设备图像识别方法和装置 Download PDF

Info

Publication number
CN110378407A
CN110378407A CN201910633879.6A CN201910633879A CN110378407A CN 110378407 A CN110378407 A CN 110378407A CN 201910633879 A CN201910633879 A CN 201910633879A CN 110378407 A CN110378407 A CN 110378407A
Authority
CN
China
Prior art keywords
parametric texture
power equipment
neural network
image
gray level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910633879.6A
Other languages
English (en)
Inventor
王昕�
蒋佐富
吴瑞文
尚将
陆云华
蔡清希
蔡荣明
李海波
虞卫兵
郑则诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou Hongchuang Power Group Co Ltd
Original Assignee
Taizhou Hongchuang Power Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taizhou Hongchuang Power Group Co Ltd filed Critical Taizhou Hongchuang Power Group Co Ltd
Priority to CN201910633879.6A priority Critical patent/CN110378407A/zh
Publication of CN110378407A publication Critical patent/CN110378407A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种基于纹理参数和神经网络的电力设备图像识别方法和装置，该方法包括：根据采集到的目标电力设备的图像数据构建灰度共生矩阵；通过灰度共生矩阵计算所述图像的纹理参数；应用预先训练的GA‑BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。提高了电力设备识别的工作效率和准确度。

Description

基于纹理参数和神经网络的电力设备图像识别方法和装置
技术领域
本申请实施例涉及图像识别技术，尤其涉及一种基于纹理参数和神经网络的电力设备图像识别方法和装置。
背景技术
随着我国电力事业的发展，对电能质量提高和电网正常运行的要求越来越高、压力越来越大。同时，国电网规模比较大，电力系统设备的运行状态对电网的高效运行具有重要意义。而针对目前电厂和变电站的视频监控设备只有视频监控，而没有图像识别功能。此外，电力设备数量多，线路布线复杂，使得电网系统更加复杂，这些因素都会使得故障诊断较为复杂。由于计算机视觉技术的迅速发展，红外热成像技术、紫外成像等技术广泛的应用到电网中；红外热成像技术和紫外成像都可以在设备不停电的情况下完成设备的检测，判断出设备故障类型。也可以将这些技术通过无人机和机器人搭载镜头完成寻线等工作。
大量图像数据能够提高电网的智能化水平，但是，目前监控设备并不能对这些图像进行智能识别，而是通过人工的方法对图像进行分类、分析和识别，这样不仅浪费了大量时间、工作效率低，而且判断的结果也不准确。
发明内容
本申请提供了一种基于纹理参数和神经网络的电力设备图像识别方法和装置，以解决现有技术中对电力设备识别过程中工作效率低以及判断结果不准确的问题。
本发明采用如下技术方案：
第一方面，本申请实施例提供了一种基于纹理参数和神经网络的电力设备图像识别方法，该方法包括：
根据采集到的目标电力设备的图像数据构建灰度共生矩阵；
通过灰度共生矩阵计算所述图像的纹理参数；
应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
进一步的，根据采集到的目标电力设备的图像数据构建灰度共生矩阵，包括：
采集目标电力设备的图像；
任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；
计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
进一步的，通过灰度共生矩阵计算所述图像的纹理参数，包括：
通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
进一步的，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数；
进一步的，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
第二方面，本申请实施例提供了一种基于纹理参数和神经网络的电力设备图像识别装置，该装置包括：
灰度共生矩阵构建模块，用于根据采集到的目标电力设备的图像数据构建灰度共生矩阵；
纹理参数计算模块，用于通过灰度共生矩阵计算所述图像的纹理参数；
图像识别模块，用于应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
进一步的，所述灰度共生矩阵构建模块具体用于：
采集目标电力设备的图像；
任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；
计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
进一步的，所述纹理参数计算模块具体用于：
通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
进一步的，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数；
进一步的，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
本发明采用的技术方案中有如下有益效果：根据采集到的目标电力设备的图像数据构建灰度共生矩阵；通过灰度共生矩阵计算所述图像的纹理参数，应用了纹理参数的图像空间分布特征；应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备，应用了GA算法中的染色体特性优化BP神经网络的连接权值和阈值，为精准的图像识别提供了保证，因此，本申请实施例的技术方案，可以准确、高效地识别电力设备，这样有利于发现设备故障，提高电网安全运行水平
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请实施例提供的一种基于纹理参数和神经网络的电力设备图像识别方法的流程图；
图2是本申请实施例中适用的一种BP神经网络的结构图；
图3是本申请实施例中适用的一种GA算法优化BP神经网络结构权值的示意图；
图4是本申请实施例中适用的一种GA-BP神经网络的流程图；
图5是本申请实施例中适用的一种距离为1的四个方向像素值对应位置的示意图；
图6是本申请实施例中适用的一种纹理参数特征值计算流程图；
图7是本申请实施例中适用的一种变压器的图像；
图8是本申请实施例中适用的一种杆塔的图像；
图9是本申请实施例中适用的一种隔离开关的图像；
图10是本申请实施例中适用的一种绝缘子串的图像；
图11是本申请实施例中适用的一种断路器的图像；
图12是本申请实施例提供的一种基于纹理参数和神经网络的电力设备图像识别装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种基于纹理参数和神经网络的电力设备图像识别方法的流程图，本实施例提供的基于纹理参数和神经网络的电力设备图像识别方法可以由基于纹理参数和神经网络的电力设备图像识别装置来执行，该基于纹理参数和神经网络的电力设备图像识别装置可通过硬件和/或软件的方式实现。参考图1，该方法具体可以包括：
S101、根据采集到的目标电力设备的图像数据构建灰度共生矩阵。
具体的，灰度共生矩阵是一种二阶统计方法，可以用来计算图像的纹理参数。在一个具体的例子中，目标电力设备可以是发电机、变压器、输电线路、断路器、隔离开关、绝缘子和杆塔等。此时，用数字1-7对设备类型进行标注，也即，发电机的设备类型为1，变压器的设备类型为2、输电线路的设备类型为3、断路器的设备类型为4、隔离开关的设备类型为4、绝缘子的设备类型为6、杆塔的设备类型为7。
S102、通过灰度共生矩阵计算所述图像的纹理参数。
具体的，通过共生矩阵计算图像的纹理参数，其中，纹理参数的值作为GA-BP(BackPropagation-Genetic Algorithm，前馈-遗传)神经网络的输入，以获取GA-BP神经网络的输出。在一个具体的例子中，计算纹理参数之前，需要调整图像的大小，使得图像符合显示区域，并通过图像的RBG三分量计算图像的灰度值，利用灰度值生成共生矩阵，从而计算各个方向下的纹理参数，其中，纹理参数可以是纹理参数向量。
S103、应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
具体的，这里应用的GA-BP神经网络是训练好的，也可以称为预先训练的，此时，将纹理参数输入至预先训练的神经网络，则可以得到设备类型，根据设备类型确定目标电力设备，例如，得到的设备类型是7，则可以确定，目标电力设备为杆塔。
下面对BP(Back Propagation，前馈)神经网络进行简单说明，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，图2示出了一种BP神经网络的结构图。从图2可以看出，BP神经网络包括输入层、隐含层和输出层，通过调节权值和阈值使得网络的误差最小，其算法流程如下：
(1)设置初始权值为较小的非零实数；
(2){up，dp}p为样本的输入输出集合，其中：为误差指标，为总的误差系数。
(3)对于样本P，算法的计算过程为：
up，…，l-1Op，lxp，…，yp
反向过程为：
(4)修正权值为：
其中BP神经网络包括了两种学习方式：Pattern学习方式和Epoch学习方式，Pattern学习方式为：
Epoch学习方式为：
此外，GA(Genetic Algorithm，遗传)算法优化BP神经网络有三部分：优化网络结构、优化神经网络的权值、优化学习系数。本申请中，应用遗传算法优化神经网络的连接权值，用GA算法优化初始权值，在解向量中搜索较好的解。用BP神经网络搜索最优解，图3示出了一种GA算法优化BP神经网络结构权值的示意图。
GA-BP神经网络的数学表达式如下：
其中：
为期望输出，为网络的实际输出，ε1为误差系数，则：
用GA算法求解上述GA-BP神经网络的数学表达式，则：当该公式成立时，就可以用GA-BP神经网络算法解决实际问题。
由于BP神经网络有精确的理论推导，通用性较好。但是BP神经网络收敛速度慢，容易局部达到最优，如果直接应用BP神经网络完成图像识别，将会有较大的误差，因此，本申请实施例中，应用遗传算法优化的BP神经网络，也即，GA-BP神经网络。而遗传算法是模拟自然选择并且拥有较强自适应性的优化搜索算法，有全局搜索能力。用GA在某一点集中遗传出优化值，以此作为BP算法的初始权值，再由BP算法进行训练，而后运用BP神经网络控制，这就是GA-BP算法的基本原理。该方法可以解决BP神经网络陷入局部最优问题。图4示出了一种GA-BP神经网络的流程图。
本发明采用的技术方案中有如下有益效果：根据采集到的目标电力设备的图像数据构建灰度共生矩阵；通过灰度共生矩阵计算所述图像的纹理参数，应用了纹理参数的图像空间分布特征；应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备，应用了GA算法中的染色体特性优化BP神经网络的连接权值和阈值，为精准的图像识别提供了保证，因此，本申请实施例的技术方案，可以准确、高效地识别电力设备，这样有利于发现设备故障，提高电网安全运行水平。
可选的，根据采集到的目标电力设备的图像数据构建灰度共生矩阵，具体可以通过如下方式实现：采集目标电力设备的图像；任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
具体的，采集目标电力设备的图像，记为A，取图像A中的任意一点(x，y)，偏离该点的另一点记为(x+a，y+b)，可选的，组成点对的两个点中，这两点之间的距离可以是预先设定的预订距离，例如随着点(x，y)在图像A上移动，会得到多个点对，也即，多对灰度值，记为(i，j)，统计(i，j)出现的次数，排列成一个方阵，再用(i，j)出现的总次数归一化出现的概率P(i，j)，即为灰度共生矩阵。
可选的，通过灰度共生矩阵计算所述图像的纹理参数具体可以通过如下方式实现：通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
在一个具体的例子中，a和b的取值不同，扫描的角度不同，图5示出了一种距离为1的四个方向像素值对应位置的示意图，其中，图5中给出了中心点f(i，j)，距离为1，0度、45度、90度和135度四个方向对应像素点所在的位置。
可选的，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数。
在一个具体的例子中，ASM(Angular Second Moment)代表能量，是纹理特征量中一个非常重要的参数，可以反应图像的均匀程度、纹理粗细度，其中：
CON(Contrast)代表对比度，灰度共生矩阵的对象线数据影响着CON的值，可以反应图像的清晰度、纹理参数脊和谷深浅程度，其中：
ENT(Entropy)代表熵，其值的大小反映了图像的复杂程度，其关系成正比关系，图像越复杂，纹理参数中的熵值越大，其中：
COR(Correlation)代表相关系数，μx和μy是均值，σx和σy是方差。COR可以反应图像局部的灰度相关性，其中：
在一个具体的例子中，图6示出了一种纹理参数特征值计算流程图。
可选的，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
为了使本申请的技术方案更容易理解，下面用一组实验数据进行说明。
通过纹理参数和GA-BP神经网络算法实现电力设备图像识别的步骤如下所示：
(1)测试数据为6000幅电力设备，包括发电机、变压器、输电线路、断路器、隔离开关、绝缘子、杆塔，用1到7数字对设备类型标注，也即，发电机的设备类型为1，变压器的设备类型为2、输电线路的设备类型为3、断路器的设备类型为4、隔离开关的设备类型为4、绝缘子的设备类型为6、杆塔的设备类型为7。
(2)选择5000幅电力设备图像，计算图像四个方向的纹理参数。
(3)用这5000幅电力设备图像四个方向的纹理参数训练GA-BP神经网络。
(4)再从6000幅电力设备图像中随机选择1000幅图，计算这1000幅图像四个方向的纹理参数作为测试样本。
首先是图像纹理参数的提取，下面用几个具体的示例进行说明。
示例一：
图7是一种变压器的图像，表1为变压器图像的纹理参数表。
表1变压器图像的纹理参数表
方向 能量 对比度 熵 相关系数
0度 0.038441 1.193684 3.811882 0.065992
45度 0.031397 1.904708 4.064328 0.064666
90度 0.039952 0.935223 3.769638 0.066693
135度 0.031208 1.876303 4.065388 0.064734
将变压器图像的纹理参数输入到预先构建的GA-BP神经网络中，输出结果2，输出类型准确。
示例二：
图8是一种杆塔的图像，表2为杆塔图像的纹理参数表。
表2杆塔图像的纹理参数表
方向 能量 对比度 熵 相关系数
0度 0.164145 0.987330 2.747689 0.065992
45度 0.148224 1.421352 2.907624 0.064666
90度 0.147631 0.890146 2.840289 0.066693
135度 0.139937 1.423715 2.949276 0.064734
将杆塔图像的纹理参数输入到已经训练好的GA-BP神经网络中，输出结果7，输出类型准确。
示例三：
图9一种隔离开关的图像，表3为隔离开关图像的纹理参数表。
表3隔离开关图像的纹理参数表
方向 能量 对比度 熵 相关系数
0度 0.031221 2.039970 4.116194 0.068284
45度 0.024019 4.973718 4.466618 0.060381
90度 0.028016 3.579327 4.288669 0.064234
135度 0.023327 4.736872 4.479037 0.061028
将隔离开关图像的纹理参数输入到GA-BP神经网络中，输出结果为5，输出类型准确。
示例四：
图10是一种绝缘子串的图像，表4为绝缘子串图像的纹理参数表。
表3绝缘子串图像的纹理参数表
方向 能量 对比度 熵 相关系数
0度 0.017312 3.471829 4.467649 0.059644
45度 0.012996 7.351479 4.775878 0.050790
90度 0.015947 4.660951 4.578722 0.056419
135度 0.013119 6.473254 4.745280 0.052795
将绝缘子串图像的纹理参数输入到GA-BP神经网络，输出结果为6，输出类型准确。
示例五：
图11是一种断路器的图像，表5为断路器图像的纹理参数表。
表3断路器图像的纹理参数表
方向 能量 对比度 熵 相关系数
0度 0.041813 3.718281 4.051404 0.061218
45度 0.033010 5.375857 4.269408 0.057028
90度 0.041288 2.879327 4.004555 0.063210
135度 0.032666 5.902086 4.293384 0.055727
将断路器图像的纹理参数输入到GA-BP神经网络，输出结果为4，输出类型准确。
实验结果表明，本申请示例中的基于纹理参数和GA-BP神经网络结合的算法对图像识别有较高的准确性，且计算速度快。
综上，可以看出，针对目前视频监控设备没有图像识别功能，提出结合纹理参数和GA-BP神经网络算法对电力设备进行图像识别，利用灰度共生矩阵可以很好反应图像的纹理参数，用遗传算法优化的BP神经网络，可以很好的解决传统BP神经网络陷入局部最优的缺点，以四个方向的纹理参数作为GA-BP神经网络的输入，通过实验表明，其输出结果可以准确的对待测图像完成识别。算法运行速度快、识别结果效率高。
在上述实施例的基础上，图12为本申请实施例提供的一种基于纹理参数和神经网络的电力设备图像识别装置的结构示意图。参考图12，本实施例提供的基于纹理参数和神经网络的电力设备图像识别装置具体包括：灰度共生矩阵构建模块1201、纹理参数计算模块1202和图像识别模块1203。
其中，灰度共生矩阵构建模块1201，用于根据采集到的目标电力设备的图像数据构建灰度共生矩阵；纹理参数计算模块1202，用于通过灰度共生矩阵计算所述图像的纹理参数；图像识别模块1203，用于应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
可选的，灰度共生矩阵构建模块1201具体用于：采集目标电力设备的图像；任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
可选的，纹理参数计算模块1202具体用于：通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
可选的，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数；
可选的，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
本发明采用的技术方案中有如下有益效果：根据采集到的目标电力设备的图像数据构建灰度共生矩阵；通过灰度共生矩阵计算所述图像的纹理参数，应用了纹理参数的图像空间分布特征；应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备，应用了GA算法中的染色体特性优化BP神经网络的连接权值和阈值，为精准的图像识别提供了保证，因此，本申请实施例的技术方案，可以准确、高效地识别电力设备，这样有利于发现设备故障，提高电网安全运行水平
本申请实施例提供的基于纹理参数和神经网络的电力设备图像识别装置可以用于执行上述实施例提供的基于纹理参数和神经网络的电力设备图像识别方法，具备相应的功能和有益效果。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于纹理参数和神经网络的电力设备图像识别方法，其特征在于，包括：
根据采集到的目标电力设备的图像数据构建灰度共生矩阵；
通过灰度共生矩阵计算所述图像的纹理参数；
应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
2.根据权利要求1所述的方法，其特征在于，根据采集到的目标电力设备的图像数据构建灰度共生矩阵，包括：
采集目标电力设备的图像；
任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；
计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
3.根据权利要求1所述的方法，其特征在于，通过灰度共生矩阵计算所述图像的纹理参数，包括：
通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
4.根据权利要求3所述的方法，其特征在于，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数。
5.根据权利要求1所述的方法，其特征在于，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
6.一种基于纹理参数和神经网络的电力设备图像识别装置，其特征在于，包括：
灰度共生矩阵构建模块，用于根据采集到的目标电力设备的图像数据构建灰度共生矩阵；
纹理参数计算模块，用于通过灰度共生矩阵计算所述图像的纹理参数；
图像识别模块，用于应用预先训练的GA-BP神经网络对所述纹理参数进行分类，以识别所述目标电力设备。
7.根据权利要求6所述的装置，其特征在于，所述灰度共生矩阵构建模块具体用于：
采集目标电力设备的图像；
任意选择所述图像中至少一个点，针对每一个点，将该点以及与该点预设距离处的另一点组成点对；
计算每组点对出现的次数，并对所述次数归一化处理，以构建灰度共生矩阵。
8.根据权利要求6所述的装置，其特征在于，所述纹理参数计算模块具体用于：
通过灰度共生矩阵计算所述图像在四个预设方向的纹理参数。
9.根据权利要求8所述的装置，其特征在于，每个预设方向的纹理参数均包括：能量、对比度、熵和相关性参数。
10.根据权利要求6所述的装置，其特征在于，预先训练的GA-BP神经网络包括16个输入层神经元、8个隐含层神经元和1个输出层神经元。
CN201910633879.6A 2019-07-12 2019-07-12 基于纹理参数和神经网络的电力设备图像识别方法和装置 Pending CN110378407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910633879.6A CN110378407A (zh) 2019-07-12 2019-07-12 基于纹理参数和神经网络的电力设备图像识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910633879.6A CN110378407A (zh) 2019-07-12 2019-07-12 基于纹理参数和神经网络的电力设备图像识别方法和装置

Publications (1)

Publication Number Publication Date
CN110378407A true CN110378407A (zh) 2019-10-25

Family

ID=68253083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910633879.6A Pending CN110378407A (zh) 2019-07-12 2019-07-12 基于纹理参数和神经网络的电力设备图像识别方法和装置

Country Status (1)

Country Link
CN (1) CN110378407A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881922A (zh) * 2020-07-28 2020-11-03 成都工业学院 一种基于显著性特征的绝缘子图像识别方法及系统
CN112202247A (zh) * 2020-10-23 2021-01-08 中国南方电网有限责任公司超高压输电公司南宁监控中心 基于bp神经网络的隔离开关分合监测系统及方法
CN113933043A (zh) * 2021-11-24 2022-01-14 国网安徽省电力有限公司电力科学研究院 基于行程曲线形态的隔离开关机械状态监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
US20180341839A1 (en) * 2017-05-26 2018-11-29 Oracle International Corporation Techniques for sentiment analysis of data using a convolutional neural network and a co-occurrence network
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105938563A (zh) * 2016-04-14 2016-09-14 北京工业大学 一种基于图像纹理的焊缝表面缺陷识别方法
US20180341839A1 (en) * 2017-05-26 2018-11-29 Oracle International Corporation Techniques for sentiment analysis of data using a convolutional neural network and a co-occurrence network
CN109870617A (zh) * 2018-09-21 2019-06-11 浙江大学 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881922A (zh) * 2020-07-28 2020-11-03 成都工业学院 一种基于显著性特征的绝缘子图像识别方法及系统
CN111881922B (zh) * 2020-07-28 2023-12-15 成都工业学院 一种基于显著性特征的绝缘子图像识别方法及系统
CN112202247A (zh) * 2020-10-23 2021-01-08 中国南方电网有限责任公司超高压输电公司南宁监控中心 基于bp神经网络的隔离开关分合监测系统及方法
CN113933043A (zh) * 2021-11-24 2022-01-14 国网安徽省电力有限公司电力科学研究院 基于行程曲线形态的隔离开关机械状态监测方法及系统

Similar Documents

Publication Publication Date Title
CN110334661A (zh) 基于深度学习的红外输变电异常发热点目标检测方法
CN108052946A (zh) 一种基于卷积神经网络的高压机柜开关自动识别方法
CN110378407A (zh) 基于纹理参数和神经网络的电力设备图像识别方法和装置
CN111339818B (zh) 一种人脸多属性识别系统
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN111209832B (zh) 变电站巡检机器人辅助避障训练方法、设备及介质
CN115018021A (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN113408343B (zh) 基于双尺度时空分块互注意力的课堂动作识别方法
CN105279485B (zh) 激光夜视下监控目标异常行为的检测方法
CN115423739A (zh) 基于SimpleBaseline的遥操作机械臂关键点的检测方法
CN116503399A (zh) 基于yolo-afps的绝缘子污闪检测方法
CN109740455B (zh) 一种人群疏散仿真方法和装置
CN116503398B (zh) 绝缘子污闪检测方法、装置、电子设备及存储介质
Zhang et al. Pyramid Pixel Context Adaption Network for Medical Image Classification With Supervised Contrastive Learning
CN108985385A (zh) 基于生成对抗学习的快速弱监督目标检测方法
Sharma et al. Self-attention vision transformer with transfer learning for efficient crops and weeds classification
CN117671278A (zh) 电力图像数据处理方法、装置、设备、介质和程序产品
CN110110651B (zh) 基于时空重要性和3d cnn的视频中行为识别方法
CN116152699B (zh) 用于水电厂视频监控系统的实时运动目标检测方法
CN116434019A (zh) 一种基于特征对齐的图像融合目标检测方法
Srinivas et al. Convolution neural networks for binary classification
CN116188363A (zh) 一种水电站绝缘子图像检测系统和方法
CN112613405B (zh) 任意视角动作识别方法
CN110837762B (zh) 基于GoogLeNet的卷积神经网络行人识别方法
CN118196908B (zh) 一种变电站工作区域的人员危险行为识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191025

WD01 Invention patent application deemed withdrawn after publication