基于深度学习的输电线路覆冰图像中覆冰厚度检测方法与流程

本发明属于数字图像识别技术领域，具体涉及一种基于深度学习算法的图像中覆冰厚度状态检测方法，可用于对电力系统输电网设备覆冰监测与超限告警。

背景技术：

电网安全稳定运行对国民经济发展的重要性不言而喻，随着电网互联不断深入和电力市场的逐步实施，电网的运行环境也更加复杂，对电网的稳定性和可靠性提出了更高的要求。我国幅员辽阔、气候多样、地形复杂，遍布全国的电力网经常受到各种自然灾害的破坏，我国大部分经常因为极端低温和覆冰导致大面积停电事故。覆冰灾害会导致电网发生机械故障和电气故障，如变电站停运、杆塔倒塌、冰闪跳闸、线路舞动和变电站设备损坏等事故。

覆冰对我国电网造成重大设备损失和导致大面积停电事故，且发生覆冰地区往往气候条件恶劣，交通和通讯中断，抢修难度大，造成大面积停电事故，严重影响供电可靠性。输电线路和电力设备的覆冰是客观存在的，无法从根本上消除。为减小覆冰带来的灾害，必须对电网中的电气设备覆冰进行防护，及时消除覆冰安全隐患。

目前覆冰防护主要通过监测和抑制两种方法，监测手段通过在电气设备上安装传感器和摄像机实现在线监测覆冰状态，或通过人工巡检方式对关键线路巡查发现故障隐患；国内常受覆冰灾害影响地区均已安装了覆冰监测系统监测电网关键线路和节点的覆冰状态，但近年来频发的冰灾事故证明，当前的几种监测手段还无法满足电力系统安全、稳定的运行要求，以2014年为例，因覆冰引起跳闸597次，跳闸率为0.103次/百千米·年，重合成功率46.4％，与2013年(221次)相比增加376次，增幅为170.1％。2014年覆冰造成故障非停320次，故障非停率为0.055次/百千米·年，2014年覆冰造成故障非停次数约为2013年(63次)的5倍。分析目前覆冰监测难以满足电网运行要求的原因，可以概括为：

(1)传感器监测覆冰受工作环境影响较大，恶劣的气候气象条件或电磁场干扰均会降低传感器的测量精度；

(2)摄像机监测通过拍摄监测点杆塔或线路覆冰图像判断当前覆冰状态，但由于缺乏对覆冰图像的有效处理和利用方法，无法从获取可靠覆冰信息；

(3)人工巡检方式或直升机巡检成本高，效率低，难以对全网进行监控；

(4)系统不能及时发现覆冰隐患，导致覆冰预警无法及时发出，加上除冰操作的相对滞后，覆冰无法及时消除。

技术实现要素：

为了解决上述技术问题，本发明提供了一种基于深度学习算法的输电线路覆冰图像识别方法，能够根据输入的覆冰图像自动识别覆冰厚度，确保电力部门及时线路覆冰的状况。

本发明所采用的技术方案是：一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：

步骤1：获取覆冰图像数据和对应的应拉力监测数据；

步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；

步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；

步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；

步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息。

我国电力覆冰监测实时性和有效性存在不足，只要原因是改善传感器监测效果主要从硬件方面加以改进；本发明从覆冰图像数据入手，研究了一种更加快速、准确监测覆冰状态的方法，及时排除故障隐患，提高了电网覆冰监测系统的可靠性，保障电力系统安全稳定运行。

本发明将数字图像特征识别方法引入到输电线和杆塔的覆冰厚度检测中，利用图像中覆冰的形态特征自动提取厚度信息，为运维人员制定除冰计划，为保证电力系统安全稳定运行提供了一种新的直观而智能化的手段。

说明书附图

图1是本发明实施例的流程示意图；

图2是本发明实施例的原始覆冰图像；

图3是本发明实施例的迭代法分割图像结果；

图4是本发明实施例的自动阈值的LoG算子边缘检测结果；

图5是本发明实施例的自动阈值的Prewitt算子边缘检测结果；

图6是本发明实施例的自动阈值的Sobel算子边缘检测结果；

图7是本发明实施例的卷积神经网络特征提取示意图；

图8是本发明实施例的卷积过程示意图；

图9是本发明实施例的池化过程示意图；

图10是本发明实施例的各结构的卷积神经网络遍历数据1次识别精度对比；

图11是本发明实施例的各结构的卷积神经网络遍历数据5次识别精度对比；

图12是本发明实施例的各结构的卷积神经网络遍历数据10次识别精度对比；

图13是本发明实施例的各结构的卷积神经网络遍历数据15次识别精度对比；

图14是本发明实施例的各结构的卷积神经网络遍历数据20次识别精度对比；

图15是本发明实施例的卷积神经网络不同模型识别误差对比。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，包括以下步骤：

步骤1：从电网部门的覆冰监测系统中收集覆冰图像数据和对应的应拉力监测数据；

收集的覆冰图像，包括输电线、杆塔、金具、电气设备如变压器等覆冰图像，收集的覆冰图像应尽量清晰；收集的应拉力数据包括杆塔型号、位置和应拉力传感器测量的等值覆冰厚度。

步骤2：对原始图像进行预处理，将图像尺寸调整至相同，建立覆冰图像数据集；

对原始图像进行预处理，包括图像分割和边缘提取；

图像分割是将图像分成各具特性的区域并提取出感兴趣目标的技术和过程；

阀值分割是图像分割中常用的一种方法，所有灰度大于或等于阀值的像素被判定为属于物体，灰度值用“255”表示前景，否则这些像素点被排除在物体区域以外，阀值分割包括双峰法和迭代法；

双峰法将图像分成前景和背景两部分，图像的灰度分布曲线近似认为是由两个正态分布函数和叠加而成，图像的直方图将会出现两个分离的峰值，双峰之间的波谷处就是图像的阀值所在；

迭代法是对双峰法的改进，首先选择一个近似阀值T，将图像分割成部分R1和R2，计算区域R1和R2的均值μ1和μ2，选择新的分割阀值T＝(μ1+μ2)/2，重复上述步骤直到μ1和μ2不再变化为止，本发明使用迭代法对图像进行图像分割处理；

边缘提取首先检测图像中的边缘点，再将边沿点连接成轮廓，从而构成分割区域，由于边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景分开，梯度模算子具有位移不变性和各向同性质的性质，适用于边缘检测，而灰度变化的方向，即边界的方向则可以由θg＝arctan(fy/fx)确定，其中fx和fy分别是x和y的方向模，θg是连续图像边缘检测梯度最大值的方向；本发明将算子以微分算子形式表示，然后用快速卷积函数来实现。

步骤3：建立深度学习卷积神经网络模型，针对图片数量和尺寸，建立相应合适的模型参数，设置每层网络的单元数和激活函数；

建立深度学习卷积神经网络，是基于BP神经网络改造的一种深度学习模型，其权值共享网络结构可降低了网络模型的复杂度，减少了权值的数量，该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；

在卷积层中用卷积核去卷积该层的输入。首先将上一层的每个输出特征图位置相同的数据与该层的卷积核进行卷积，再将同一位置卷积所有结果相加，得到该层输出特征图对应位置的输出。为了减少参数数量，降低模型训练难度，深度学习采用权值共享机制。同一张输出特征图使用同一个卷积核，每一次卷积核都各自对应的滤波器与其对应，一个卷积核只提取一种特征，保证特征提取不发生混叠；

在通过卷积获得了特征之后，用所有提取得到的特征去训练分类器，本发明利用Softmax分类器，每一个特征和图像卷积都会得到一个n维的卷积特征，由于有n个特征，学习一个拥有超过两千万特征输入的分类器十分不便，容易出现过度拟合；

步骤4：调整权值并训练模型，对图像进行特征提取和提取，判断并输出覆冰厚度，比对图像标签的厚度信息；

建立的卷积神经网络进行训练和测试，得到符合精度要求的模型用于检测图片中的覆冰厚度，其训练过程包括如下步骤：

(1)灵敏度和误差更正；

对于C分类问题，共有N个训练样本，模型的均方差可表示为：

其中表示第n个样本的第k类期望输出，表示第n个样本的第k类实际输出。

对于第n个样本，实际输出与理想输出的均方差可表示为：

假定L是输出层，l是隐含层，1为输入层；第l层的激活输出为：x^l＝f(u^l)，其中u^l＝W^lx^l-1+b^l，f(·)为激活函数，W^l是第l层的权值，b^l是第l层的偏置；定义灵敏度为：

其中故第l层和输出层的灵敏度分别表示为：

由此得到误差更正(η为学习率)可表示为：

(2)前向传播

1)卷积层

假设第l层是卷积层，则该层输出的特征图和特征图大小分别表示为：

output.size＝input.size-ker nel.size+1

其中，是第l-1层的第i个输出，是第l层对于第i个输入的第j个卷积核，是第l层的第j个偏置，f(·)是激活函数，是第l层的第j个输出。

卷积神经网络的特征提取有两个特点：

I.通过卷积，用输出特征图的一个像素来表示输入特征图的局部区域的像素特征，这是卷积神经网络的特征提取，同时也缩小数据维度；

II.权值共享，同一个特征图使用同一个卷积核，提取一个特征，可以减少参数数量，降低时间复杂度。

2)子采样层

子采样层可以看作是池化过程，也是一个降维过程，使得输入特征图不重叠地在输出特征图上重新表示，即特征的组合；另外池化也可以降低数据维度，加快计算速度。输出图的表达可表示为：

其中down(x)是对输入图像n×n的像素区进行采样操作，是控制因子，将采样结果数值控制在彩色像素数值范围内，同时减少噪声干扰。

(3)反向传播

1)卷积层

卷积层的灵敏度可表示为下式所示，考虑到卷积层前后是子采样层，可改写为：

其中，β是权值，

代替∑δ^l+1。

基和卷积核的梯度可表示为：

其中u，v是用卷积核去卷积上一层图像对应的局部。其中，是第l层第j个卷积核的灵敏度，是第l-1层的动量因子；

2)子采样层

在前向传播已经保存了：故权值梯度为：

其中，是第l层的下采样操作函数。

(4)特征组合

深度学习网络的一个重要特点是自动学习特征，在训练过程中的表示即为学习特征图的组合时，对于提取的每个特征赋予权值，反复进行前向传播与反向传播更正误差并调整权值，达到特征优化组合的目的。特征权值用αij表示，表示第j个输出特征图的其中第i个输入特征图权值或贡献，通常用下式表示：

其中，cij表示第j个输出特征图中第i个输入特征图权值，∑kexp(ckj)表示第j个输出特征图的所有权值和。

则第j个特征输出可改写为：

其中，f(·)是激活函数，αij表示输出特征图的权值，是该层输入，是卷积核，是该层偏置。

上式满足：0≤αij≤1；

对于单个输出单元，忽略角标j，由于满足：

和

得到隐含层的基梯度、卷积核梯度、连接权值梯度和特征权值梯度后，误差更正则为表1所示(η为学习率)。

表1卷积神经网络更正值

其中，η是学习率，是基的梯度，是卷积核的梯度，是连接梯度，αi是特征权值。

步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息并传回覆冰监控中心。

本实施例的步骤1收集电网原始的覆冰图像数据及应拉力传感器数据，附图2所示的是输电线路覆冰图像，覆冰图像要求对覆冰拍摄部分清晰，无浑浊物遮盖，应拉力数据包括杆塔的型号、位置和应拉力传感器测量的覆冰厚度，以便及时发现故障地点；

本实施例的步骤2通过图像分割和边缘提取预处理覆冰图像，将原始图像的尺寸设置为尺寸大小一致，用拉力传感器测量的覆冰厚度作为图像标签；对图像进行图像分割和边缘处理，以去除噪声，提高特征提取效率，图像分割和边缘提取是为了排除环境和无关物体对覆冰特征提取的干扰，由于高压输电线路周围环境较为复杂，常有树木、昆虫等环境因素干扰，需要利用图像分割技术将覆冰图像中的无关因素剔除，避免对特征提取干扰；附图3是迭代法分割图像效果，附图4-6分别是自动阈值的LoG算子边缘检测、Prewitt算子边缘检测和Sobel算子边缘检测结果；

本实施例的步骤3建立卷积神经网络，卷积神经网络利用空间关系减少需要学习的参数数目以提高前向、反向传播算法的训练性能，附图7是对模型结构的简要说明；

卷积神经网络包括输入层、隐含层和输出层，卷积神经网络的内部隐含层是卷积层和池化层迭代构建，卷积层可以提取数据特征，也叫特征提取层，实质是卷积，附图8是卷积过程示意图，子采样层也叫特征映射层，通过对像素加权和，通过激活函数得到特征映射，附图9是池化过程示意图；

在卷积神经网络中，图像的一部分(局部感受区)作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征，因此能够获取对平移、缩放和旋转不变的观测数据的显著特征，

在步骤3中定义了模型参数并初始化各个参数，设定激活函数为“sigmoid”；

本实施例的步骤4对建立的卷积神经网络进行训练，根据训练效果可以调整模型结构、训练步数、批处理大小、激活函数、每层的神经元数目、神经元数量等相关参数；

由于模型参数量大，本发明使用15235张覆冰图片进行训练，根据电网对覆冰状态监测机制，依照模型判断模型监测厚度分为无覆冰(0cm)、轻微覆冰(0～5cm)、中度覆冰(5～10cm)、严重覆冰(10～15cm)、危险覆冰(15～20cm)和故障预警覆冰(20cm以上)六个等级，输出与图像先前进行比对判断，调整误差。

本实施例的步骤5分析模型训练分类结果，提取覆冰图像的覆冰厚度信息并传回覆冰监控中心；

本发明搭建了卷积神经网络的四个模型，分别是(1)6-4-12-2，(2)12-4-24-2，(3)4-2-8-2-16-2-32-2，(4)16-2-8-2-4-2-2-2。其中奇数层为卷积层，偶数层为池化层。四种模型在遍历数据不同次数时，各模型均方差变化。模型的均方差衡量模型的训练效果，当模型的均方差越小，表示训练效果越好，参数设置更为合理，所得到的输出更接近理想结果。步数是代表调整权值次数，深度学习算法中，通常将训练样本分批训练，训练完一批样本后将权值调整一次，以提高训练速度和训练效果；

附图10表示4种模型结构：(1)6-4-12-2，(2)12-4-24-2，(3)4-2-8-2-16-2-32-2，(4)16-2-8-2-4-2-2-2，分别遍历数据一次，其训练过程的均方差的变化情况，横坐标表示调整参数次数，纵坐标表示均方差；曲线走势可以反映模型的训练效果，同时根据训练效果调整模型参数，以达到最佳的训练效果。同理，附图11-14分别表示四种模型结构遍历数据5次、10次、15次和20次时，均方差的变化情况，通常遍历次数越多，模型的分类性能越好。

附图15是对4种模型结构：(1)6-4-12-2，(2)12-4-24-2，(3)4-2-8-2-16-2-32-2，(4)16-2-8-2-4-2-2-2的分类结果的对比分析，横坐标是遍历数据次数，纵坐标是分类误差。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。