CN117218422B - 一种基于机器学习的电网图像识别方法及系统 - Google Patents
一种基于机器学习的电网图像识别方法及系统 Download PDFInfo
- Publication number
- CN117218422B CN117218422B CN202311170569.8A CN202311170569A CN117218422B CN 117218422 B CN117218422 B CN 117218422B CN 202311170569 A CN202311170569 A CN 202311170569A CN 117218422 B CN117218422 B CN 117218422B
- Authority
- CN
- China
- Prior art keywords
- image
- power grid
- grid system
- matrix
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 64
- 239000002245 particle Substances 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000013016 learning Effects 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 125000004122 cyclic group Chemical group 0.000 abstract description 9
- 230000008034 disappearance Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,尤其为一种基于机器学习的电网图像识别方法及系统,包括如下步骤:S1:采集电网系统用户图像;S2:对采集的电网系统用户图像进行去噪处理;S3:对去噪后的电网系统用户图像进行特征提取;S4:基于提取的图像特征进行电网系统用户图像的识别。本发明基于自适应均值滤波算法对采集的电网系统用户图像进行适用性滤波,能够提升图像质量,还通过提取包含图像多类信息的图像特征,并将其输入至融入卷积算子的LSTM网络中进行多尺度特征的提取,缓解了循环神经网络中梯度消失的现象,能够得到质量较高的图像特征,以此进行识别可以提升图像识别的速度和精准度。
Description
技术领域
本发明涉及图像识别技术领域,尤其是基于机器学习的电网图像识别方法及系统。
背景技术
国家电网公司基于互联网技术建设了便于客户业务办理的手机客户端应用,弥补了传统营业厅缴费的时间和地理限制,更加贴合智能手机时代人们的生活方式。该应用需要电力用户首先安装电力公司的手机客户端App程序,安装成功并注册通过后,可以通过人脸识别实现电力用户的电量电费查询、交费购电、业务咨询、故障报修申请、能效分析等服务。
近年来,随着计算机计算能力的不断提高,以及机器学习技术的快速发展,机器学习已成为对数据进行处理的主流技术,特别是利用各种机器学习模型来对人脸图像进行识别。以循环神经网络为例,循环神经网络作为机器学习的代表算法在计算机图像识别方面获得广泛应用,循环神经网络对具有序列特性的数据非常有效,它能挖掘数据中的时序信息以及语义信息;但是循环神经网络存在梯度消失的问题,导致识别准确率较低,同时使得循环神经网络难以解决长期依赖性问题,为了缓解上述现象,LSTM中加入三种门控机制以及一种记忆单元,能够更有效地捕获长序列中的上下文信息。相比于传统循环神经网络,LSTM在反向传播过程中,其连乘项由遗忘门主导,因此可以在一定程度上缓解梯度消失现象。然而,当序列过长时,遗忘门无法保证恒定,LSTM的梯度仍然会出现被近距离的梯度所主导的情况。
故本发明提出基于机器学习的电网图像识别方法及系统,通过引入融入卷积算子的LSTM网络对图像数据进行降维获取多尺度的图像特征,能够有效突出图像中的关键信息。该输出结果将作为当前尺度下分支网络的输入,有利于LSTM网络进行多维度的特征提取,最后,将不同尺度下的图像特征相加,以此缓解梯度消失现象,得到多尺度图像特征,提升图像识别准确率。
发明内容
本发明的目的是通过提出基于机器学习的电网图像识别方法及系统,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供基于机器学习的电网图像识别方法及系统,包括如下步骤:
S1:采集电网系统用户图像;
S2:对采集的电网系统用户图像进行去噪处理;
S3:对去噪后的电网系统用户图像进行特征提取;
S4:基于提取的图像特征进行电网系统用户图像的识别。
作为本发明的一种优选技术方案:所述S2中的去噪处理通过自适应滤波算法进行电网系统用户图像的去噪处理。
作为本发明的一种优选技术方案:所述自适应滤波算法具体如下:
其中,Rij为滤波窗口内去除最大值和最小值后的像素与滤波窗口中值之差的平方,f为采集的电网系统用户图像,(i,j)为窗口像素点,W为滤波窗口;
计算Rij的均值
其中,M为滤波窗口滤波次数;
计算窗口像素点(i,j)对应的权值Kij:
对滤波窗口内的每个像素点进行加权求和,得到中心像素G(i,j):
其中,fW(i,j)为滤波窗口W内的像素点,n=1,…,N为滤波窗口W的像素点数量。
作为本发明的一种优选技术方案:自适应滤波算法中,通过曼哈顿距离来计算像素点之间的差异程度,然后使用所述差异程度来动态调整权值Kij,具体为:
对于每对像素点(i,j)和(k,l),计算它们之间的曼哈顿距离Dijkl:
Dijkl=|i-k|+|j-l|
在每次计算窗口像素点(i,j)对应的权值Kij后,通过曼哈顿距离Dijkl计算动态调整的权值K′ij,
将两个权值加权平均得到:Kij=α·Kij+(1-α)·K′ij,其中,α是一个可调参数,用于控制权值的动态范围。
作为本发明的一种优选技术方案:所述可调参数α通过粒子群优化算法进行调优,具体为:
将可调参数α作为粒子群优化算法的一个粒子位置,根据以下更新公式进行迭代更新:
表示第m个粒子在第n+1次迭代时的速度矢量,/>表示第m个粒子在第n次迭代时的速度矢量,c1为粒子的个体学习因子,c2为粒子的社会学习因子,/>为第m个粒子截止第n次的最优历史位置,gbestn为截止第n次更新全部粒子的最优历史位置,θ为惯性因子,rand(0,1)为0,1之间的随机浮点数;
位置更新公式为:
作为本发明的一种优选技术方案:所述自适应滤波算法中,重复计算各滤波窗口的中心点像素并输出,直到完成所有窗口像素点的滤波处理,得到去噪后的电网系统用户图像。
作为本发明的一种优选技术方案:所述S3中,基于特征提取算法进行电网系统用户图像特征的提取。
作为本发明的一种优选技术方案:所述特征提取算法具体如下:
将去噪后的电网系统用户图像划分为d*d区域,依次计算图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在每个像素点(x,y)处的图像特征的梯度和方向:
其中,为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的梯度,I(x,y)为在像素点(x,y)处的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵,θ(x,y)为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的方向。
作为本发明的一种优选技术方案:所述S3将获取的图像特征输入融入卷积算子的LSTM网络中进行训练,并对多种尺度下的结果进行求和,获取多尺度电网系统用户图像特征。
作为本发明的一种优选技术方案:所述融入卷积算子的LSTM网络具体如下:
Ft=δ(ωHF*Ht-1+ωXF*Xt+ωCFοCt-1+bF)
Yt=δ(ωHY*Ht-1+ωXY*Xt+ωCYοCt-1+bY)
Ct=tanh(ωHC*Ht-1+ωXC*Xt+bC)
Ot=δ(ωHO*Ht-1+ωXO*Xt+ωCOοCt-1+bO)
Ht=Otοtanh(Ct)
其中,Xt、Ht、Ct分别为t时间步的输入、隐藏层状态和记忆单元,Ht-1、Ct-1分别为t-1时间步的隐藏层状态和记忆单元,Ft、Yt、Ot分别为遗忘门、输入门和输出门,δ为sigmoid激活函数,tanh(•)为激活层,ωXF、ωHF、ωCF分别为t时间步的输入、隐藏层状态和记忆单元输入至遗忘门的权重,ωXY、ωHY、ωCY分别为t时间步的输入、隐藏层状态和记忆单元输入至输入门的权重,ωXC、ωHC分别为t时间步的输入、隐藏层状态输入至记忆单元的权重,ωXO、ωHO、ωCO分别为t时间步的输入、隐藏层状态和记忆单元输入至输出门的权重,bF、bY、bC、bO分别为遗忘门、输入门、记忆单元和输出门的偏置矩阵,*为卷积操作,ο为哈达玛积。
作为本发明的一种优选技术方案:所述S4中,基于SVM向量机进行多尺度电网系统用户图像特征的识别。
提供基于机器学习的电网系统用户图像识别系统,基于上述的基于机器学习的电网图像识别方法及系统,包括:
图像采集模块;用于采集电网系统用户图像;
图像去噪模块:用于对采集的电网系统用户图像进行去噪处理;
特征提取模块:用于对去噪后的电网系统用户图像进行特征提取;
图像识别模块:用于基于提取的图像特征进行电网系统用户图像的识别。
本发明提供的基于机器学习的电网图像识别方法及系统,与现有技术相比,其有益效果有:
本发明基于自适应均值滤波算法对采集的电网系统用户图像进行适用性滤波,能够提升图像质量,还通过提取包含图像多类信息的图像特征,并将其输入至融入卷积算子的LSTM网络中进行多尺度特征的提取,缓解了循环神经网络中梯度消失的现象,能够得到质量较高的图像特征,以此进行识别可以提升图像识别的速度和精准度。
附图说明
图1为本发明优选实施例的方法流程图;
图2为本发明优选实施例中系统框图。
图中各个标记的意义为:100、图像采集模块;200、图像去噪模块;300、特征提取模块;400、图像识别模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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、完整的描述,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做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。
参照图1,本发明优选实施例提供了基于机器学习的电网图像识别方法,包括如下步骤:
S1:采集电网系统用户图像;
S2:对采集的电网系统用户图像进行去噪处理;
S3:对去噪后的电网系统用户图像进行特征提取;
S4:基于提取的图像特征进行电网系统用户图像的识别。
所述S2中的去噪处理通过自适应滤波算法进行电网系统用户图像的去噪处理。
所述自适应滤波算法具体如下:
其中,Rij为滤波窗口内去除最大值和最小值后的像素与滤波窗口中值之差的平方,f为采集的电网系统用户图像,(i,j)为窗口像素点,W为滤波窗口;
计算Rij的均值
其中,M为滤波窗口滤波次数;
计算窗口像素点(i,j)对应的权值Kij:
对滤波窗口内的每个像素点进行加权求和,得到中心像素G(i,j):
其中,fW(i,j)为滤波窗口W内的像素点,n=1,…,N为滤波窗口W的像素点数量。
所述自适应滤波算法中,重复计算各滤波窗口的中心点像素并输出,直到完成所有窗口像素点的滤波处理,得到去噪后的电网系统用户图像。
所述S3中,基于特征提取算法进行电网系统用户图像特征的提取。
其中,为了保证更好地过滤噪声,本实施例的自适应滤波算法中,通过曼哈顿距离来计算像素点之间的差异程度,然后使用所述差异程度来动态调整权值Kij,具体为:
对于每对像素点(i,j)和(k,l),计算它们之间的曼哈顿距离Dijkl:
Dijkl=|i-k|+|j-l]
在每次计算窗口像素点(i,j)对应的权值Kij后,通过曼哈顿距离Dijkl计算动态调整的权值K′ij,
将两个权值加权平均得到:Kij=α·Kij+(1-α)·K′ij,其中,α是一个可调参数,用于控制权值的动态范围。
其中,可调参数α通过粒子群优化算法进行调优,具体为:
将可调参数α作为粒子群优化算法的一个粒子位置,根据以下更新公式进行迭代更新:
表示第m个粒子在第n+1次迭代时的速度矢量,/>表示第m个粒子在第n次迭代时的速度矢量,c1为粒子的个体学习因子,c2为粒子的社会学习因子,/>为第m个粒子截止第n次的最优历史位置,gbestn为截止第n次更新全部粒子的最优历史位置,θ为惯性因子,rand(0,1)为0,1之间的随机浮点数;
位置更新公式为:
能够自动搜索参数空间中的最佳值,而无需手动尝试不同的参数组合。这节省了大量的试验和调整时间。所述特征提取算法具体如下:
将去噪后的电网系统用户图像划分为d*d区域,依次计算图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在每个像素点(x,y)处的图像特征的梯度和方向:
其中,为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的梯度,I(x,y)为在像素点(x,y)处的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵,θ(x,y)为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的方向。
所述S3将获取的图像特征输入融入卷积算子的LSTM网络中进行训练,并对多种尺度下的结果进行求和,获取多尺度电网系统用户图像特征。
所述融入卷积算子的LSTM网络具体如下:
Ft=δ(ωHF*Ht-1+ωXF*Xt+ωCFοCt-1+bF)
Yt=δ(ωHY*Ht-1+ωXY*Xt+ωCYοCt-1+bY)
Ct=tanh(ωHC*Ht-1+ωXC*Xt+bC)
Ot=δ(ωHO*Ht-1+ωXO*Xt+ωCOοCt-1+bO)
Ht=Otοtanh(Ct)
其中,Xt、Ht、Ct分别为t时间步的输入、隐藏层状态和记忆单元,Ht-1、Ct-1分别为t-1时间步的隐藏层状态和记忆单元,Ft、Yt、Ot分别为遗忘门、输入门和输出门,δ为sigmoid激活函数,tanh(·)为激活层,ωXF、ωHF、ωCF分别为t时间步的输入、隐藏层状态和记忆单元输入至遗忘门的权重,ωXY、ωHY、ωCY分别为t时间步的输入、隐藏层状态和记忆单元输入至输入门的权重,ωXC、ωHC分别为t时间步的输入、隐藏层状态输入至记忆单元的权重,ωXO、ωHO、ωCO分别为t时间步的输入、隐藏层状态和记忆单元输入至输出门的权重,bF、bY、bC、bO分别为遗忘门、输入门、记忆单元和输出门的偏置矩阵,*为卷积操作,ο为哈达玛积。
所述S4中,基于SVM向量机进行多尺度电网系统用户图像特征的识别。
参照图2,本发明优选实施例还提供了基于机器学习的电网系统用户图像识别系统,基于上述的基于机器学习的电网图像识别方法,包括:
图像采集模块100;用于采集电网系统用户图像;
图像去噪模块200:用于对采集的电网系统用户图像进行去噪处理;
特征提取模块300:用于对去噪后的电网系统用户图像进行特征提取;
图像识别模块400:用于基于提取的图像特征进行电网系统用户图像的识别。
本实施例中,图像采集模块100采集电网系统用户图像,图像去噪模块200通过自适应滤波算法进行电网系统用户图像的去噪处理:
其中,Rij为滤波窗口内去除最大值和最小值后的像素与滤波窗口中值之差的平方,f为采集的电网系统用户图像,(i,j)为窗口像素点,W为滤波窗口,W采用3*3大小的滤波窗口;
设共滤波100次,计算Rij的均值
计算窗口像素点(i,j)对应的权值Kij:
对滤波窗口内的每个像素点进行加权求和,得到中心像素G(i,j):
其中,fW(i,j)为滤波窗口W内的像素点,n=1,…,9为滤波窗口W的像素点数量;
重复上述步骤并输出,直到完成所有窗口像素点的滤波处理,得到去噪后的电网系统用户图像。通过自适应滤波算法对电网系统用户图像进行适用性滤波,能够提升图像质量,提升识别精度。
特征提取模块300基于特征提取算法进行电网系统用户图像特征的提取:
将去噪后的电网系统用户图像划分为8*8区域,依次计算图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在每个像素点(x,y)处的图像特征的梯度和方向:
其中,为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的梯度,I(x,y)为在像素点(x,y)处的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵,θ(x,y)为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的方向;
通过包含灰度、对比度、饱和度和相对亮度信息的特征提取步骤,能够提升图像特征的表征能力,提升图像识别准确率。
将获取的图像特征输入融入卷积算子的LSTM网络中进行训练:
Ft=δ(ωHF*Ht-1+ωXF*Xt+ωCFοCt-1+bF)
Yt=δ(ωHY*Ht-1+ωXY*Xt+ωCYοCt-1+bY)
Ct=tanh(ωHC*Ht-1+ωXC*Xt+bC)
Ot=δ(ωHO*Ht-1+ωXO*Xt+ωCOοCt-1+bO)
Ht=Otοtanh(Ct)
其中,Xt、Ht、Ct分别为t时间步的输入、隐藏层状态和记忆单元,Ht-1、Ct-1分别为t-1时间步的隐藏层状态和记忆单元,Ft、Yt、Ot分别为遗忘门、输入门和输出门,δ为sigmoid激活函数,tanh(·)为激活层,ωXF、ωHF、ωCF分别为t时间步的输入、隐藏层状态和记忆单元输入至遗忘门的权重,ωXY、ωHY、ωCY分别为t时间步的输入、隐藏层状态和记忆单元输入至输入门的权重,ωXC、ωHC分别为t时间步的输入、隐藏层状态输入至记忆单元的权重,ωXO、ωHO、ωCO分别为t时间步的输入、隐藏层状态和记忆单元输入至输出门的权重,bF、bY、bC、bO分别为遗忘门、输入门、记忆单元和输出门的偏置矩阵,*为卷积操作,ο为哈达玛积。
基于融入卷积算子的LSTM网络的多种尺度下的结果进行求和,获取多尺度电网系统用户图像空间特征,能够缓解循环神经网络中梯度消失的现象,得到质量较高的图像特征,以此进行识别可以提升图像识别的速度和精准度。
图像识别模块400再基于SVM向量机进行多尺度电网系统用户图像空间特征的识别。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于机器学习的电网图像识别方法,其特征在于,包括如下步骤:
S1:采集电网系统用户图像;
S2:对采集的电网系统用户图像进行去噪处理;
S3:对去噪后的电网系统用户图像进行特征提取;
S4:基于提取的图像特征进行电网系统用户图像的识别;
所述S2中的去噪处理通过自适应滤波算法进行电网系统用户图像的去噪处理;所述自适应滤波算法具体如下:
其中,Rij为滤波窗口内去除最大值和最小值后的像素与滤波窗口中值之差的平方,f为采集的电网系统用户图像,(i,j)为窗口像素点,W为滤波窗口;
计算Rij的均值
其中,M为滤波窗口滤波次数;
计算窗口像素点(i,j)对应的权值Kij:
对滤波窗口内的每个像素点进行加权求和,得到中心像素G(i,j):
其中,fW(i,j)为滤波窗口W内的像素点,n=1,…,N为滤波窗口W的像素点数量;
所述自适应滤波算法中,通过曼哈顿距离来计算像素点之间的差异程度,然后使用所述差异程度来动态调整权值Kij,具体为:
对于每对像素点(i,j)和(k,l),计算它们之间的曼哈顿距离Dijkl:
Dijkl=|i-k|+|j-l|
在每次计算窗口像素点(i,j)对应的权值Kij后,通过曼哈顿距离Dijkl计算动态调整的权值K'ij,
将两个权值加权平均得到:Kij=α·Kij+(1-α)·K'ij,其中,α是一个可调参数,用于控制权值的动态范围;
所述自适应滤波算法中,重复计算各滤波窗口的中心点像素并输出,直到完成所有窗口像素点的滤波处理,得到去噪后的电网系统用户图像。
2.根据权利要求1所述的基于机器学习的电网图像识别方法,其特征在于:所述可调参数α通过粒子群优化算法进行调优,具体为:
将可调参数α作为粒子群优化算法的一个粒子位置,根据以下更新公式进行迭代更新:
表示第m个粒子在第n+1次迭代时的速度矢量,/>表示第m个粒子在第n次迭代时的速度矢量,c1为粒子的个体学习因子,c2为粒子的社会学习因子,/>为第m个粒子截止第n次的最优历史位置,gbestn为截止第n次更新全部粒子的最优历史位置,θ为惯性因子,rand(0,1)为0,1之间的随机浮点数;
位置更新公式为:
3.根据权利要求1所述的基于机器学习的电网图像识别方法,其特征在于:所述S3中,基于特征提取算法进行电网系统用户图像特征的提取。
4.根据权利要求3所述的基于机器学习的电网图像识别方法,其特征在于:所述特征提取算法具体如下:
将去噪后的电网系统用户图像划分为d*d区域,依次计算图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在每个像素点(x,y)处的图像特征的梯度和方向:
其中,为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的梯度,I(x,y)为在像素点(x,y)处的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵,θ(x,y)为去噪后的电网系统用户图像的灰度矩阵、对比度矩阵、饱和度矩阵和相对亮度矩阵在像素点(x,y)处的方向。
5.根据权利要求4所述的基于机器学习的电网图像识别方法,其特征在于:所述S3将获取的图像特征输入融入卷积算子的LSTM网络中进行训练,并对多种尺度下的结果进行求和,获取多尺度电网系统用户图像特征。
6.根据权利要求5所述的基于机器学习的电网图像识别方法,其特征在于:所述融入卷积算子的LSTM网络具体如下:
Ct=tanh(ωHC*Ht-1+ωXC*Xt+bC)
其中,Xt、Ht、Ct分别为t时间步的输入、隐藏层状态和记忆单元,Ht-1、Ct-1分别为t-1时间步的隐藏层状态和记忆单元,Ft、Yt、Ot分别为遗忘门、输入门和输出门,δ为sigmoid激活函数,tanh(·)为激活层,ωXF、ωHF、ωCF分别为t时间步的输入、隐藏层状态和记忆单元输入至遗忘门的权重,ωXY、ωHY、ωCY分别为t时间步的输入、隐藏层状态和记忆单元输入至输入门的权重,ωXC、ωHC分别为t时间步的输入、隐藏层状态输入至记忆单元的权重,ωXO、ωHO、ωCO分别为t时间步的输入、隐藏层状态和记忆单元输入至输出门的权重,bF、bY、bC、bO分别为遗忘门、输入门、记忆单元和输出门的偏置矩阵,*为卷积操作,为哈达玛积。
7.根据权利要求6所述的基于机器学习的电网图像识别方法,其特征在于:所述S4中,基于SVM向量机进行多尺度电网系统用户图像特征的识别。
8.基于机器学习的电网系统用户图像识别系统,基于权利要求1-7任意一项所述的基于机器学习的电网图像识别系统,其特征在于,包括:
图像采集模块(100);用于采集电网系统用户图像;
图像去噪模块(200):用于对采集的电网系统用户图像进行去噪处理;
特征提取模块(300):用于对去噪后的电网系统用户图像进行特征提取;
图像识别模块(400):用于基于提取的图像特征进行电网系统用户图像的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170569.8A CN117218422B (zh) | 2023-09-12 | 2023-09-12 | 一种基于机器学习的电网图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170569.8A CN117218422B (zh) | 2023-09-12 | 2023-09-12 | 一种基于机器学习的电网图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218422A CN117218422A (zh) | 2023-12-12 |
CN117218422B true CN117218422B (zh) | 2024-04-16 |
Family
ID=89050531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311170569.8A Active CN117218422B (zh) | 2023-09-12 | 2023-09-12 | 一种基于机器学习的电网图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218422B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065491A (ja) * | 2005-09-01 | 2007-03-15 | Asahi Kasei Corp | パターンモデル生成装置、パターンモデル評価装置およびパターン認識装置 |
AU2013200999A1 (en) * | 2012-05-16 | 2013-12-05 | The Boeing Company | Shape memory alloy active spars for blade twist |
CN104732500A (zh) * | 2015-04-10 | 2015-06-24 | 天水师范学院 | 脉冲耦合神经网络中药材显微图像噪声滤除系统及方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
CN108319941A (zh) * | 2018-04-11 | 2018-07-24 | 国网江苏省电力有限公司宿迁供电分公司 | 基于人脸识别的用电业务办理辅助系统 |
WO2019237516A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN112633212A (zh) * | 2020-12-29 | 2021-04-09 | 长沙湘丰智能装备股份有限公司 | 一种基于计算机视觉的茶叶嫩芽等级的识别和分类方法 |
CN113971730A (zh) * | 2021-10-26 | 2022-01-25 | 重庆邮电大学 | 一种基于权重的不平衡数据分类过采样方法及系统 |
CN114882215A (zh) * | 2022-04-11 | 2022-08-09 | 安徽理工大学 | 一种煤矸光电分选图像颗粒集料区域形选识别方法 |
CN115272312A (zh) * | 2022-09-27 | 2022-11-01 | 江苏兴尔斯塑业有限公司 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
CN116563144A (zh) * | 2023-04-21 | 2023-08-08 | 南京邮电大学 | 一种基于动态注意力的密集型lstm残差网络去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10661885B2 (en) * | 2012-05-16 | 2020-05-26 | The Boeing Company | Shape memory alloy active spars for blade twist |
-
2023
- 2023-09-12 CN CN202311170569.8A patent/CN117218422B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065491A (ja) * | 2005-09-01 | 2007-03-15 | Asahi Kasei Corp | パターンモデル生成装置、パターンモデル評価装置およびパターン認識装置 |
AU2013200999A1 (en) * | 2012-05-16 | 2013-12-05 | The Boeing Company | Shape memory alloy active spars for blade twist |
CN104732500A (zh) * | 2015-04-10 | 2015-06-24 | 天水师范学院 | 脉冲耦合神经网络中药材显微图像噪声滤除系统及方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
CN108319941A (zh) * | 2018-04-11 | 2018-07-24 | 国网江苏省电力有限公司宿迁供电分公司 | 基于人脸识别的用电业务办理辅助系统 |
WO2019237516A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
CN112633212A (zh) * | 2020-12-29 | 2021-04-09 | 长沙湘丰智能装备股份有限公司 | 一种基于计算机视觉的茶叶嫩芽等级的识别和分类方法 |
CN113971730A (zh) * | 2021-10-26 | 2022-01-25 | 重庆邮电大学 | 一种基于权重的不平衡数据分类过采样方法及系统 |
CN114882215A (zh) * | 2022-04-11 | 2022-08-09 | 安徽理工大学 | 一种煤矸光电分选图像颗粒集料区域形选识别方法 |
CN115272312A (zh) * | 2022-09-27 | 2022-11-01 | 江苏兴尔斯塑业有限公司 | 基于机器视觉的塑料手机外壳缺陷检测方法 |
CN116563144A (zh) * | 2023-04-21 | 2023-08-08 | 南京邮电大学 | 一种基于动态注意力的密集型lstm残差网络去噪方法 |
Non-Patent Citations (3)
Title |
---|
Sekhar, NC 等,.Reference based dimensions prediction (RDP) system for identifying materials of part families. 《MATERIALS TODAY-PROCEEDINGS》.2021,第46卷831-837. * |
盛妍 等,.基于人脸识别的电网用户身份自动认证系统设计.《自动化与仪器仪表》.2019,第2019年卷(第11期),127-130. * |
黄奕玮,.基于深度学习的面部表情识别研究与实现.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2019,第2019年卷(第9期),I138-1106. * |
Also Published As
Publication number | Publication date |
---|---|
CN117218422A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160533B (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
CN111325190B (zh) | 一种表情识别方法、装置、计算机设备及可读存储介质 | |
CN111753828A (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN110929836B (zh) | 神经网络训练及图像处理方法和装置、电子设备、介质 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
Liu et al. | Salient critical points for meshes | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN111126169B (zh) | 基于正交化的图正则非负矩阵分解的人脸识别方法及系统 | |
CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
Liu et al. | Two‐stage image smoothing based on edge‐patch histogram equalisation and patch decomposition | |
CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
Li et al. | An end-to-end system for unmanned aerial vehicle high-resolution remote sensing image haze removal algorithm using convolution neural network | |
CN117218422B (zh) | 一种基于机器学习的电网图像识别方法及系统 | |
Kumar et al. | Image denoising based on fractional gradient vector flow and overlapping group sparsity as priors | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN102214292B (zh) | 人脸图像的光照处理方法 | |
CN115457296A (zh) | 一种面向非平稳纹理结构属性的结构提取方法 | |
CN110210410B (zh) | 一种基于图像特征的手写数字识别方法 | |
Wang et al. | Remote sensing image segmentation of ground objects based on improved Deeplabv3+ | |
CN113362249A (zh) | 文字图像合成方法、装置、计算机设备及存储介质 | |
CN111243096A (zh) | 基于边约束谱卷积神经网络的三维人脸表示与重建方法 | |
CN116993752B (zh) | 实景三维Mesh模型语义分割方法、介质和系统 | |
CN117314917B (zh) | 一种桥梁裂缝检测方法、装置、计算机设备及存储介质 | |
Feng et al. | Detail enhancement for infrared images based on Relativity of Gaussian-Adaptive Bilateral Filter |
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 |