CN113807194A - 一种增强性电力传输线故障图像识别方法 - Google Patents

一种增强性电力传输线故障图像识别方法 Download PDF

Info

Publication number
CN113807194A
CN113807194A CN202110975120.3A CN202110975120A CN113807194A CN 113807194 A CN113807194 A CN 113807194A CN 202110975120 A CN202110975120 A CN 202110975120A CN 113807194 A CN113807194 A CN 113807194A
Authority
CN
China
Prior art keywords
cie
image
mode
power transmission
data set
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.)
Granted
Application number
CN202110975120.3A
Other languages
English (en)
Other versions
CN113807194B (zh
Inventor
薛睿
杜正威
张爽娜
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.)
Harbin Engineering University
Beijing Institute of Satellite Information Engineering
Original Assignee
Harbin Engineering University
Beijing Institute of Satellite Information Engineering
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 Harbin Engineering University, Beijing Institute of Satellite Information Engineering filed Critical Harbin Engineering University
Priority to CN202110975120.3A priority Critical patent/CN113807194B/zh
Publication of CN113807194A publication Critical patent/CN113807194A/zh
Application granted granted Critical
Publication of CN113807194B publication Critical patent/CN113807194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T3/04—
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Abstract

本发明属于无移动网络区域电力传输线监控技术领域，具体涉及一种增强性电力传输线故障图像识别方法。本发明包括对训练数据集中所有图像进行自适应去噪对比度增强处理；将训练数据集中的所有图像从彩色图像RGB模式转为CIE‑LAB模式；对CIE‑LAB模式图像做离散二维小波变换，将图像信号分解为高频部分和低频部分；对所有高频部分用Bayes shrink阈值做软门限，并做小波阈值；对所有低频部分进行双边滤波；将训练数据集中所有CIE‑LAB模式图像转为CIE‑RGB模式；采用训练数据集训练卷积神经网络，采用二分类对比交叉熵损失函数进行训练，得到电力传输线故障判断模型。

Description

一种增强性电力传输线故障图像识别方法
技术领域
本发明属于无移动网络区域电力传输线监控技术领域，具体涉及一种增强性电力传输线故障图像识别方法。
背景技术
我国地脉辽阔，山川河流众多。由于地理条件影响人口分布不均匀，这导致我国仍有大范围无移动网络区域存在。高压电力传输线多数分布在人口稀少或无人区域，这些区域移动网络覆盖率较低，每个监控节点的距离跨度较大，使监控信息回传造成很大不便，因此需要针对上述场景及问题提出一种无移动网络区域电力传输线监控信息传输方法。
目前，由于电力传输线的设置区域中无移动网络区域面积很大，而且节点之间跨度较大必须采用无线传输的模式。无线传输的传输带宽有限，很难保证大量节点监控视频的同时实时传输。目前的解决方案只能针对小范围的电力传输线进行监控。对于大范围的无移动网络区域，仍存在故障发现不及时、无移动网络节点传输模式设置不合理的问题。
发明内容
本发明的目的在于提供一种增强性电力传输线故障图像识别方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：获取电力传输线的历史图像，构造训练数据集，标注出训练数据集中存在故障的图像；
步骤2：对训练数据集中所有图像进行自适应去噪对比度增强处理，利用当前点亮度与其邻域平均亮度的关系，增强图像的局部对比度，当前点的亮度高于邻域平均亮度时则增强该点亮度；
步骤3：将训练数据集中的所有图像从彩色图像RGB模式转为CIE-LAB模式；对CIE-LAB模式图像做离散二维小波变换，将图像信号分解为高频部分和低频部分；对所有高频部分用Bayes shrink阈值做软门限，并做小波阈值；对所有低频部分进行双边滤波；
步骤4：将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式；
步骤5：采用训练数据集训练卷积神经网络，采用二分类对比交叉熵损失函数进行训练，得到电力传输线故障判断模型；
所述的二分类对比交叉熵损失函数为：
Figure BDA0003227385410000011
其中，N为训练数据集中图像样本的数量；yi表示图像样本i的标签，无故障图像为1、故障图像为0；pi表示样本i预测正确的概率；d为两个图像样本之间的欧氏距离 d＝||an-bn||2，an，bn为样本空间中的坐标；margin为系统设定的阈值；
步骤6：获取电力传输线的实时图像，执行步骤2至步骤4对图像进行处理后输入至训练好的电力传输线故障判断模型中，得到故障识别结果。
本发明还可以包括：
所述的步骤2中对训练数据集中所有图像进行自适应去噪对比度增强处理的具体实施公式为：
IL(x,y)＝Ig(x，y)E(x，y)
其中，Ig(x，y)表示原始图像，IL(x，y)表示处理后的图像；E(x，y)为点(x,y)处的增强系数，
Figure BDA0003227385410000021
Ib(x,y)为当前点邻域平均亮度；
Figure BDA0003227385410000022
Figure BDA0003227385410000023
Figure BDA0003227385410000024
其中，GR和GV分别是空间邻近度高斯核函数和数值相似性高斯核函数，σR和σV是对应的尺度函数，用于调整空间邻近度和数值相似性函数的衰减速度；W表示亮度调整空间。
所述的步骤3中对CIE-LAB模式图像做离散二维小波变换的公式为：
Figure BDA0003227385410000025
其中，x，y，u，v同为图像空间的坐标；f(x，y)是按照核函数分解后的极数部分； s(x，y,u,v)＝s1(x,u)s2(y,v)是变换核且s1≡s2，
Figure BDA0003227385410000026
其中
Figure BDA0003227385410000027
则变换可以简写为：
Figure BDA0003227385410000028
其中f,t∈Rn×n是二维信号的矩阵形式，上式中对f的左乘A和有成AT分别对应列变换和行变换。
所述的步骤4中将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式的具体方法为：
步骤4.1：将图像从CIE-LAB模式转为CIE-XYZ模式，转换公式为：
Figure BDA0003227385410000031
其中，Xn、Yn、Zn为参考白点的CIE XYZ三色刺激值；
步骤4.2：将图像从CIE-XYZ模式转为CIE-RGB模式，转换公式为：
Figure BDA0003227385410000032
其中bij为定值，i＝1,2,3；j＝1,2,3。
本发明的有益效果在于：
本发明通过对自适应对比度增强图像预处理以及交叉熵损失函数的改进，提出了一种增强性电力传输线故障图像识别方法。根据故障识别结果，改变系统的传输模式。从而实现高压电力传输线监控信息的快速回传，解决实际传输过程中传输设备吞吐量问题。
附图说明
图1为本发明实施例中训练集图片RGB模式下各个通道示意图。
1-a)为本发明实施例中训练集图片原图示意图。
1-b)为本发明实施例中训练集图片R通道灰度示意图。
1-c)为本发明实施例中训练集图片G通道灰度示意图。
1-d)为本发明实施例中训练集图片B通道灰度示意图。
图2为本发明实施例中训练集图片自适应对比度增强过程示意图。
2-a)为本发明实施例中训练集图片原图示意图。
2-b)为本发明实施例中训练集图片自适应对比度增强图示意图。
2-c)为本发明实施例中训练集图片灰度图示意图。
2-d)为本发明实施例中训练集图片灰度图对比度增强图示意图。
图3为本发明实施例中训练集图片二维小波变换过程示意图。
3-a)为本发明实施例中训练集图片二维小波变换低频部分示意图。
3-b)为本发明实施例中训练集图片二维小波变换高频部分HL示意图。
3-c)为本发明实施例中训练集图片二维小波变换高频部分HH示意图。
图4为本发明与传统识别方法识别正确率与测试集样本点数关系图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明通过对自适应对比度增强图像预处理以及交叉熵损失函数的改进，提出了一种增强性电力传输线故障图像识别方法，包括以下步骤：
步骤1：获取电力传输线的历史图像，构造训练数据集，标注出训练数据集中存在故障的图像；
步骤2：对训练数据集中所有图像进行自适应去噪对比度增强处理，利用当前点亮度与其邻域平均亮度的关系，增强图像的局部对比度，当前点的亮度高于邻域平均亮度时则增强该点亮度；
对训练数据集中所有图像进行自适应去噪对比度增强处理的具体实施公式为：
IL(x,y)＝Ig(x,y)E(x,y)
其中，Ig(x,y)表示原始图像，IL(x,y)表示处理后的图像；E(x,y)为点(x,y)处的增强系数，
Figure BDA0003227385410000041
Ib(x,y)为当前点邻域平均亮度；
Figure BDA0003227385410000042
Figure BDA0003227385410000043
Figure BDA0003227385410000044
其中，GR和GV分别是空间邻近度高斯核函数和数值相似性高斯核函数，σR和σV是对应的尺度函数，用于调整空间邻近度和数值相似性函数的衰减速度；W表示亮度调整空间。
步骤3：将训练数据集中的所有图像从彩色图像RGB模式转为CIE-LAB模式；对CIE-LAB模式图像做离散二维小波变换，将图像信号分解为高频部分和低频部分；对所有高频部分用Bayes shrink阈值做软门限，并做小波阈值；对所有低频部分进行双边滤波；
对CIE-LAB模式图像做离散二维小波变换的公式为：
Figure BDA0003227385410000045
其中，x,y,u,v同为图像空间的坐标；f(x,y)是按照核函数分解后的极数部分；s(x,y,u,v)＝s1(x,u)s2(y,v)是变换核且s1≡s2，
Figure BDA0003227385410000051
其中
Figure BDA0003227385410000052
则变换可以简写为：
Figure BDA0003227385410000053
其中f,t∈Rn×n是二维信号的矩阵形式，上式中对f的左乘A和有成AT分别对应列变换和行变换。
步骤4：将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式；
步骤4.1：将图像从CIE-LAB模式转为CIE-XYZ模式，转换公式为：
Figure BDA0003227385410000054
其中，Xn、Yn、Zn为参考白点的CIE XYZ三色刺激值；
步骤4.2：将图像从CIE-XYZ模式转为CIE-RGB模式，转换公式为：
Figure BDA0003227385410000055
其中bij为定值，i＝1,2,3；j＝1,2,3。
步骤5：采用训练数据集训练卷积神经网络，采用二分类对比交叉熵损失函数进行训练，得到电力传输线故障判断模型；
所述的二分类对比交叉熵损失函数为：
Figure BDA0003227385410000056
其中，N为训练数据集中图像样本的数量；yi表示图像样本i的标签，无故障图像为1、故障图像为0；pi表示样本i预测正确的概率；d为两个图像样本之间的欧氏距离 d＝||an-bn||2，an，bn为样本空间中的坐标；margin为系统设定的阈值；
步骤6：获取电力传输线的实时图像，执行步骤2至步骤4对图像进行处理后输入至训练好的电力传输线故障判断模型中，得到故障识别结果。
进一步地，当传输信息为电力传输线发生故障时，采用实时传输的模式；当传输的信息为电力传输线正常运行时，采用定时传输的模式。
实施例1：
本发明的目的是针对解决无移动网络实际环境的信息传输模式，主要解决了无移动网络区域回传速度慢、实时性不好以及传输设备吞吐量不足的问题。本发明提出了一种增强性电力传输线故障图像识别方法，根据识别系统信息传输的系统状态改变系统的传输模式。从而实现高压电力传输线监控信息的快速回传，解决实际传输过程中传输设备吞吐量问题。
首先是自适应去噪对比度增强处理，图1为实施例中训练集图片RGB模式下各个通道示意图。接下来结合本系统所用方法进行说明。对于自适应对比度增强方法如下：利用当前点亮度与其邻域平均亮度的关系，增强图像的局部对比度。当前点的亮度高于邻域平均亮度时则增强该点亮度。具体实施公式为IL(x,y)＝Ig(x,y)E(x,y)其中IL(x,y)是亮度调节后图像， E(x,y)为点(x,y)处的增强系数
Figure BDA0003227385410000061
其中Ib(x,y)为当前点邻域平均亮度， In(x,y)是对Ig(x,y)归一化后的亮度信息。其反映的是当前点所在位置的光照情况。一般 Ib(x,y)可以通过对In(x,y)高斯低通滤波获得，也就是通过高斯核与周边邻域像素加权平均获得。为充分考虑物体边界处的光照突变情况，为此采用改进型双边滤波来获得邻域平均亮度 Ib(x,y)的方法如下：
Figure BDA0003227385410000062
其中W是亮度调整空间，GR和 GV,分别是空间邻近度高斯核函数和数值相似性高斯核函数，定义如式：
Figure BDA0003227385410000063
Figure BDA0003227385410000064
其中σR和σV是对应的尺度函数，用于调整空间邻近度和数值相似性函数的衰减速度。经过计算和变换可以得到图2所示的效果图，图2为实施例中训练集图片自适应对比度增强过程示意图。从图2-a)与图2-b)对比中可以看出，在色彩对比上，经过处理后的对比度增强比较明显，轮廓无明显缺失。从图2-c)与图2-d)灰度也可以得出以上结论。采用这种方法对训练集进行预处理后，可以增强故障特征，提高训练网络的训练集质量，提高系统识别率。
然后利用小波分解把信号分解为高频和低频部分。首先将彩色图像RGB模式转为CIE-LAB模式，然后对图像做离散二维小波变换：
Figure BDA0003227385410000065
其中x,y,u,v 同为图像空间的坐标，f(x,y)是按照核函数分解后的极数部分，s(x,y,u,v)＝s1(x,u)s2(y,v)是变换核且s1≡s2，
Figure BDA0003227385410000071
其中
Figure BDA0003227385410000072
则变换可以简写为：
Figure BDA0003227385410000073
其中f,t∈Rn×n是二维信号的矩阵形式，上式中对f的左乘A和有成AT分别对应列变换和行变换。
最后对于所有高频部分用Bayes shrink阈值做了软门限，然后对高频做小波阈值，对低频采用双边滤波。上述流程中在软件中得到的输出结果如图3所示。如图3所示为训练集图片二维小波变换过程示意图。进行二维小波变换后图像输出一个低频部分，其他为高频部分 (已在附图说明中标注)。对高频部分进行软门限判决(根据计算结果)。本步骤主要目的为除去训练集图片的噪声，若经过一次二维小波变换不能满足精度要求可以进行多次处理。
上一阶段经过预处理部分对比度增强处理，输出的图像为CIE-LAB模式，现在需要将 CIE-LAB模式转为CIE-RGB模式，具体步骤如下：首先将CIE-LAB模式转为CIE-XYZ转换公式为
Figure BDA0003227385410000074
其中Xn、Yn、Zn为参考白点的CIE XYZ三色刺激值，
Figure BDA0003227385410000075
如果fy＞δ则
Figure BDA0003227385410000076
否则Y＝(fy-16/116)3δ2Yn；如果fx＞δ则
Figure BDA0003227385410000077
否则X＝(fx-16/116)3δ2Xn；如果fz＞δ则
Figure BDA0003227385410000078
否则Z＝(fz-16/116)3δ2Zn, 其中
Figure BDA0003227385410000079
之所以将f(t)分为两个部分是为了避免在t＝0处出现无限斜率。然后将CIE-XYZ模式转换问RGB模式对图像进行恢复，其转换公式为：
Figure BDA00032273854100000710
训练集图片进行预处理后形成了新的训练集，接下来需要选择合适网络进行训练。首先要确定输入的特征个数，特征个数就是输入层的节点数。输出层的个数为需要分类的个数。隐藏层越多计算结果越精确，但是计算量增大，消耗更多的时间。本部分是分方法的必要一环，在网络选择上根据故障识别这种图像识别机制，选择resnrt-50网络，主要训练参数S (BTNK1左右两个1×1卷积层是否下采样来实现电力传输线的故障识别训练网络)与参数C 和C1(BTNK1左侧第一个1×1卷积层是否减少通道数)等，由于具体训练过程由计算机所实现，不是本发明的重点内容，此处不再详细说明。
在训练过程中，重要的是结合网络输出的score进行矫正，在本发明中采用了二分类对比交叉熵损失函数对高压输电线路故障判断网络进行训练。在二分的情况下，模型最后需要预测的结果只有两种情况，对于每个类别的预测得到的概率为p和1-p，此时表达式为：
Figure BDA0003227385410000081
其中N为样本数量；yi表示样本i的标签，正类为1、负类为0；pi表示样本i预测正确的概率。d为两个样本之间的欧氏距离d＝||an-bn||2，其中an，bn为样本空间中的坐标；margin 为系统设定的阈值。通过对resnet-50网络的训练得到高压输电线路故障判断网络。
将上述损失函数作为网络训练的出口函数，对网络进行训练，具体流程为：神经网络最后一层得到每个类别的得分scores(也叫logits)，该scores经过sigmoid(或softmax)函数获得概率输出，然后模型预测的类别概率输出与真实类别的形式进行对比交叉熵损失函数的计算。通过对训练集结合损失函数对网络的训练，最终得到了网络的训练参数，可以对系统进行应用，图4是本实例中训练的识别情况和现有故障识别的效果进行了对比，不能看出，在训练集数量一定多的情况下。同等规模的训练集识别的要优于传统方法。
最后根据所得到的高压输电线路故障判断网络对传输图像进行实时判别：当传输信息为电力传输线发生故障时，采用实时传输的模式；当传输的信息为电力传输线正常运行时，采用定时传输的模式。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种增强性电力传输线故障图像识别方法，其特征在于，包括以下步骤：
步骤1：获取电力传输线的历史图像，构造训练数据集，标注出训练数据集中存在故障的图像；
步骤2：对训练数据集中所有图像进行自适应去噪对比度增强处理，利用当前点亮度与其邻域平均亮度的关系，增强图像的局部对比度，当前点的亮度高于邻域平均亮度时则增强该点亮度；
步骤3：将训练数据集中的所有图像从彩色图像RGB模式转为CIE-LAB模式；对CIE-LAB模式图像做离散二维小波变换，将图像信号分解为高频部分和低频部分；对所有高频部分用Bayes shrink阈值做软门限，并做小波阈值；对所有低频部分进行双边滤波；
步骤4：将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式；
步骤5：采用训练数据集训练卷积神经网络，采用二分类对比交叉熵损失函数进行训练，得到电力传输线故障判断模型；
所述的二分类对比交叉熵损失函数为：
Figure FDA0003227385400000011
其中，N为训练数据集中图像样本的数量；yi表示图像样本i的标签，无故障图像为1、故障图像为0；pi表示样本i预测正确的概率；d为两个图像样本之间的欧氏距离d＝||an-bn||2，an，bn为样本空间中的坐标；margin为系统设定的阈值；
步骤6：获取电力传输线的实时图像，执行步骤2至步骤4对图像进行处理后输入至训练好的电力传输线故障判断模型中，得到故障识别结果。
2.根据权利要求1所述的一种增强性电力传输线故障图像识别方法，其特征在于：所述的步骤2中对训练数据集中所有图像进行自适应去噪对比度增强处理的具体实施公式为：
IL(x,y)＝Ig(x,y)E(x,y)
其中，Ig(x,y)表示原始图像，IL(x,y)表示处理后的图像；E(x,y)为点(x,y)处的增强系数，
Figure FDA0003227385400000012
Ib(x,y)为当前点邻域平均亮度；
Figure FDA0003227385400000013
Figure FDA0003227385400000014
Figure FDA0003227385400000021
其中，GR和GV分别是空间邻近度高斯核函数和数值相似性高斯核函数，σR和σV是对应的尺度函数，用于调整空间邻近度和数值相似性函数的衰减速度；W表示亮度调整空间。
3.根据权利要求1或2所述的一种增强性电力传输线故障图像识别方法，其特征在于：所述的步骤3中对CIE-LAB模式图像做离散二维小波变换的公式为：
Figure FDA0003227385400000022
其中，x,y,u,v同为图像空间的坐标；f(x,y)是按照核函数分解后的极数部分；s(x,y,u,v)＝s1(x,u)s2(y,v)是变换核且s1≡s2，
Figure FDA0003227385400000023
其中
Figure FDA0003227385400000024
则变换可以简写为：
Figure FDA0003227385400000025
其中f,t∈Rn×n是二维信号的矩阵形式，上式中对f的左乘A和有成AT分别对应列变换和行变换。
4.根据权利要求1或2所述的一种增强性电力传输线故障图像识别方法，其特征在于：所述的步骤4中将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式的具体方法为：
步骤4.1：将图像从CIE-LAB模式转为CIE-XYZ模式，转换公式为：
Figure FDA0003227385400000026
其中，Xn、Yn、Zn为参考白点的CIE XYZ三色刺激值；
步骤4.2：将图像从CIE-XYZ模式转为CIE-RGB模式，转换公式为：
Figure FDA0003227385400000027
其中bij为定值，i＝1,2,3；j＝1,2,3。
5.根据权利要求3所述的一种增强性电力传输线故障图像识别方法，其特征在于：所述的步骤4中将训练数据集中所有CIE-LAB模式图像转为CIE-RGB模式的具体方法为：
步骤4.1：将图像从CIE-LAB模式转为CIE-XYZ模式，转换公式为：
Figure FDA0003227385400000031
其中，Xn、Yn、Zn为参考白点的CIE XYZ三色刺激值；
步骤4.2：将图像从CIE-XYZ模式转为CIE-RGB模式，转换公式为：
Figure FDA0003227385400000032
其中bij为定值，i＝1,2,3；j＝1,2,3。
CN202110975120.3A 2021-08-24 2021-08-24 一种增强性电力传输线故障图像识别方法 Active CN113807194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110975120.3A CN113807194B (zh) 2021-08-24 2021-08-24 一种增强性电力传输线故障图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110975120.3A CN113807194B (zh) 2021-08-24 2021-08-24 一种增强性电力传输线故障图像识别方法

Publications (2)

Publication Number Publication Date
CN113807194A true CN113807194A (zh) 2021-12-17
CN113807194B CN113807194B (zh) 2023-10-10

Family

ID=78941644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110975120.3A Active CN113807194B (zh) 2021-08-24 2021-08-24 一种增强性电力传输线故障图像识别方法

Country Status (1)

Country Link
CN (1) CN113807194B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114674817A (zh) * 2022-05-30 2022-06-28 秦皇岛水熊科技有限公司 光谱滴定方法的色度值信号去噪和平滑处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829443A (zh) * 2019-02-23 2019-05-31 重庆邮电大学 基于图像增强与3d卷积神经网络的视频行为识别方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN111583123A (zh) * 2019-02-17 2020-08-25 郑州大学 一种基于小波变换的融合高低频信息的图像增强算法
CN111583229A (zh) * 2020-05-09 2020-08-25 江苏野马软件科技有限公司 一种基于卷积神经网络路面故障检测方法
CN111784633A (zh) * 2020-05-26 2020-10-16 西安理工大学 一种面向电力巡检视频的绝缘子缺损自动检测算法
US20210042580A1 (en) * 2018-10-10 2021-02-11 Tencent Technology (Shenzhen) Company Limited Model training method and apparatus for image recognition, network device, and storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210042580A1 (en) * 2018-10-10 2021-02-11 Tencent Technology (Shenzhen) Company Limited Model training method and apparatus for image recognition, network device, and storage medium
CN111583123A (zh) * 2019-02-17 2020-08-25 郑州大学 一种基于小波变换的融合高低频信息的图像增强算法
CN109829443A (zh) * 2019-02-23 2019-05-31 重庆邮电大学 基于图像增强与3d卷积神经网络的视频行为识别方法
CN110598736A (zh) * 2019-08-06 2019-12-20 西安理工大学 一种电力设备红外图像故障定位、识别与预测方法
CN111583229A (zh) * 2020-05-09 2020-08-25 江苏野马软件科技有限公司 一种基于卷积神经网络路面故障检测方法
CN111784633A (zh) * 2020-05-26 2020-10-16 西安理工大学 一种面向电力巡检视频的绝缘子缺损自动检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王海文;邱晓晖;: "一种基于生成式对抗网络的图像数据扩充方法", 计算机技术与发展, no. 03 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114674817A (zh) * 2022-05-30 2022-06-28 秦皇岛水熊科技有限公司 光谱滴定方法的色度值信号去噪和平滑处理方法

Also Published As

Publication number Publication date
CN113807194B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN111046962B (zh) 基于稀疏注意力的卷积神经网络模型的特征可视化方法及系统
Shyu et al. A genetic algorithm approach to color image enhancement
CN110555465B (zh) 一种基于cnn与多特征融合的天气图像识别方法
CN110349185B (zh) 一种rgbt目标跟踪模型的训练方法及装置
Liu et al. No-reference image quality assessment method based on visual parameters
CN111126226A (zh) 一种基于小样本学习和特征增强的辐射源个体识别方法
CN103402042A (zh) 基于分块式误差扩散的半色调图像生成方法
CN112991493A (zh) 基于vae-gan和混合密度网络的灰度图像着色方法
CN116468746B (zh) 一种双向复制粘贴的半监督医学图像分割方法
Zhou et al. Deep multi-scale features learning for distorted image quality assessment
CN113807194B (zh) 一种增强性电力传输线故障图像识别方法
CN115457551A (zh) 适用于小样本条件的叶片损伤识别方法
CN115482160A (zh) 基于深度卷积神经网络的舌色校正方法
Liu et al. Source-free unsupervised domain adaptation for blind image quality assessment
Zhang et al. Improved colour‐to‐grey method using image segmentation and colour difference model for colour vision deficiency
Liu et al. Enhanced image no‐reference quality assessment based on colour space distribution
CN116341650B (zh) 一种基于噪声自训练的铁路货车螺栓丢失检测方法
Hu et al. Multiobjective image color quantization algorithm based on self-adaptive hybrid differential evolution
He et al. A night low‐illumination image enhancement model based on small probability area filtering and lossless mapping enhancement
CN114723044B (zh) 用于存内计算芯片的误差补偿方法、装置、芯片、设备
CN116129379A (zh) 一种雾天环境下的车道线检测方法
CN113077525A (zh) 一种基于频域对比学习的图像分类方法
CN114821184A (zh) 一种基于均衡互补熵的长尾图像分类方法及系统
CN113850733A (zh) 基于变幂次单稳态自适应随机共振的彩色图像增强方法
Intajag et al. Histogram specification with generalised extreme value distribution to enhance retinal images

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
GR01 Patent grant
GR01 Patent grant