1.本发明涉及一种图像量化方法，尤其是涉及一种面向绝缘子缺陷识别的图像量化方法。
背景技术：
：：2.我国已建立南方、北方、华中、华东、华北、东北六大跨省区的电网，每日巡检作业采集到的大量图像信息只靠人眼进行故障识别是不现实的，深度学习和机器视觉的快速发展对于故障识别的高准确率可以使机器识别代替部分人眼进行故障检测，不间断故障识别与反馈的特点使其成为智能巡检的主推方向。在图像大数据的背景下，海量的图像数据需要经过压缩再实现传输。同时，随着图像处理技术的进步，无人机端可以实现少量运算并对图像特征进行分析。3.目前，绝缘子故障是输电线路故障中的主要部分，利用深度学习网络实现绝缘子故障识别的方法有很多，比如lbp‑hf特征与svm分类器结合、cnn分类器、yolov3、fasterrcnn等方法，由于其高识别准确率，本发明中选用vgg16网络与fasterrcnn网络实现故障检测。传统的图像压缩方法如jpeg、jpeg2000、bpg等，其目的是使人眼视觉失真最小。由于巡检环境带宽的限制，要求图像只能以较低码率传输，但传统的图像压缩方法会造成明显的块效应和图像伪影，编码的图像送入故障检测模型中对于电力小部件如绝缘子串的识别准确率有显著下降。技术实现要素：4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向绝缘子缺陷识别的图像量化方法，为了降低在图像传输过程中压缩操作对于绝缘子等小部件的故障识别准确率的影响，实现在低码率下对恢复的图像的故障识别准确率保持较高水平。5.本发明的目的可以通过以下技术方案来实现：6.一种面向绝缘子缺陷识别的图像量化方法，该方法包括以下步骤：7.步骤1：选取无人机巡检拍摄的绝缘子及其故障图像，利用图像数据对神经网络进行训练，得到训练完毕的故障识别模型；8.步骤2：针对训练完毕的故障识别模型，提取图像特征；9.步骤3：对于图像特征进一步提取低层边缘信息中重点区域侧特征；10.步骤4：针对低层边缘信息中重点区域侧特征，利用特征提取网络的池化特性反推池化操作；11.步骤5：针对低层边缘信息中重点区域侧特征，经过利用特征提取网络的池化特性反推池化操作后再进行利用特征提取网络的卷积特性反推池化操作，得到与原始图片长宽尺寸相对应的显著性标志图；12.步骤6：基于显著性标志图进行粗量化或精细量化后，得到图像量化最终结果。13.进一步地，所述的步骤1具体包括：选取无人机巡检拍摄的绝缘子及其故障图像，将所有图像数据分为训练集和验证集，利用训练集和验证集对fasterrcnn网络于服务器中进行训练，得到训练完毕的故障识别模型。14.进一步地，所述的步骤2具体包括：提取训练完毕的故障识别模型中的vgg16网络的权重和偏置，对无人机巡检拍摄的绝缘子及其故障图像进行卷积操作，提取图像特征。15.进一步地，所述的步骤3包括以下分步骤：16.步骤301：将图像特征各个通道中相同位置的像素相加，得到与图像特征长宽尺寸一致但通道数只有1层的特征图f1；17.步骤302：计算整个特征图f1的平均值favg，将特征图f1中像素超过平均值favg的位置像素值设为1，其余位置设为0，由此得到与特征图f1长宽尺寸相同的矩阵f2，即对应低层边缘信息中重点区域侧特征。18.进一步地，所述的步骤4具体包括：根据故障识别模型中特征提取网络池化层均为stride＝2的最大池化的特性，将低层边缘信息中重点区域侧特征所对应的矩阵f2中的元素赋值相同矩阵bn，依次推出bn所对应池化层上一层的矩阵bn‑1。19.进一步地，所述的步骤5具体包括：根据故障识别模型中特征提取网络的卷积核均为3×3，且stride＝1，填充方式为same的特性，基于矩阵bn‑1进行卷积反推过程，计算得到矩阵bn‑2，即对应与原始图片长宽尺寸相对应的显著性标志图。20.进一步地，所述的步骤6包括以下分步骤：21.步骤601：将无人机巡检拍摄的原始图像从rgb空间转换至yuv空间，长、宽尺寸填充至8的倍数后，将其分成多个8×8的块；22.步骤602：针对块进行dct变换，变换后经zigzag扫描分成低频分量dc和高频分量ac，再进行熵编码，得到最终经过处理后的无人机巡检拍摄的原始图像；23.步骤603：利用所述显著性标志图对经过处理后的无人机巡检拍摄的原始图像，通过位置判断进行对应的粗量化或精细量化，完成后图像量化最终结果。24.进一步地，所述的步骤603具体包括：25.若经过处理后的无人机巡检拍摄的原始图像中各个分成的8×8的区域块中对应的所述显著性标志图含有标志1，则将该块根据亮度量化表进行精细量化；26.若经过处理后的无人机巡检拍摄的原始图像中各个分成的8×8的区域块中对应的所述显著性标志图中均为标志0，则将该块进行粗量化。27.进一步地，所述的将该块根据亮度量化表进行精细量化，其对应的描述公式为：[0028][0029]式中，q1表示精细量化后该8×8块的值，dctblock表示经过dct变换后的block，table0表示为亮度量化表。[0030]进一步地，所述的将该块进行粗量化，其对应的描述公式为：[0031][0032]式中，table1＝q×e，q为量化阶，e为8×8的单位向量，q2为粗量化后该8×8块的值。[0033]与现有技术相比，本发明具有以下优点：[0034](1)与现有技术相比，本发明的方法实现的显著性标志图来指导量化的jpeg压缩方法的图片解码后，由于背景区域的码率小而目标区域的码率大，因此本发明实现的方法与原有的jpeg压缩相比，在相同码率下可以实现更高的绝缘子故障识别准确率。[0035](2)与传统的图像压缩不同，本发明结合机器视觉的特性，考虑到电力巡检工作中传统压缩方法在低比特率下的图像细节信息的丢失导致识别率下降的问题，提出一种面向电力巡检的量化方法。在无人机端，实现特征提取并根据特征指导分级量化，对特征提取的重点区域精细量化，背景区域实现粗量化，可以实现在相同码率下识别准确率比原有方法高。[0036](3)本发明涉及电网无人机巡检作业数据传输过程中传统图像压缩对于电力小部件如绝缘子在低码率下故障识别准确率显著降低的问题，目的是发明一种面向绝缘子缺陷识别的图像量化方法，实现在低码率下对恢复的图像的故障识别准确率仍保持较高水平。附图说明[0037]图1为本发明的方法流程图；[0038]图2为本发明方法步骤中显著性标志图推导过程中最大池化的反推过程示意图；[0039]图3为本发明方法步骤中显著性标志图推导过程中卷积反推过程示意图；[0040]图4为面向电力巡检的图像量化方法框架示意图。具体实施方式[0041]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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。[0042]具体实施例[0043]如图1所示，一种面向绝缘子缺陷识别的图像量化方法，包括以下步骤：[0044](s1)选取无人机巡检拍摄的绝缘子及其故障的图片，将图像数据集划分为训练集和验证集，利用vgg16实现特征提取，fasterrcnn网络在服务器中进行训练。[0045](s2)利用(s1)训练出的故障识别模型，提取出训练并调整后的vgg16网络前几层卷积操作的权重和偏置，在无人机端，利用提取出的权重和偏置进行卷积操作，实现对拍摄的绝缘子图片的低层边缘特征提取，保证故障识别网络提取的低层边缘特征与无人机端进行的特征提取操作提取出的特征相同。[0046](s3)利用(s2)对特征提取网络提取出的特征图进行处理，提取出低层边缘信息中重点区域的特征。[0047]设无人机端的特征提取网络提取的图片边缘信息特征图为f(i,j,k)，将各个通道中相同位置的像素相加，得到一个与f长宽尺寸一致但通道数只有1层的f1计算公式为：[0048][0049]其中，f(i，j，k)表示第k通道的特征图在第i行、第j列的像素值，h、w分别为特征图f的高度和宽度，n为特征图f的通道数。[0050]计算整个f1的平均值favg，将f1中像素超过favg的位置设为1，其余位置设为0，其中：1代表特征提取区域，0代表背景区域，由此可以得到一个与f1的长宽尺寸相同的矩阵f2。[0051](s4)特征提取网络中池化层都是stride＝2的最大池化，将f2(i，j)赋值给一个行数和列数均与其相同的矩阵bn，可依次推出bn层上一层的bn‑1。当无人机中实现的特征提取网络为两个卷积、卷积、池化操作时，提取出所有绝缘子串的位置而不包含过多的低级边缘信息，则f为第二个池化层输出的特征，此时只考虑卷积和池化对应于原始图像的位置，而不考虑数值大小，如图2所示，是最大池化的反推过程，bn‑1的计算公式为：[0052]bn‑1(2i，2j)＝bn‑1(2i，2j+1)＝bn‑1(2i+1，2j)＝bn‑1(2i+1，2j+1)＝bn(i，j)，i＝0，1，…，h‑1；j＝0，1，，1，…，w‑1[0053](s5)如图3所示，bn‑1反推出上一层的bn‑2需要进行卷积反推过程，由bn‑1反推出上一层的bn‑2需要进行卷积反推过程，由于特征提取网络的卷积核均为3x3，且stride＝1，填充方式为same，所以卷积后的特征图的长宽尺寸不变。当一个3x3的区域中的标志为0时，代表上一层操作对应位置都为背景(非重要)区域，而当该区域中的标志为1时，不能表示上一层操作所有位置都为重要区域，因此先设置bn‑2为高度、宽度分别为2h、2w的全1矩阵，当bn‑1(u，v)的标志为0时，bn‑2的计算公式为：[0054]bn‑2(u‑1，v‑1)＝bn‑2(u‑1，v1)＝bn‑2(u‑1，v+1)＝0[0055]bn‑2(u，v‑1)＝bn‑2(u，v1)＝bn‑2(u，v+1)＝0[0056]bn‑2(u+1，v‑1)＝bn‑2(u+1，v1)＝bn‑2(u+1，v+1)＝0[0057]u＝0，1，…，2h‑1；v＝0，1，，1，…，2w‑1[0058]根据特征提取网络最终推出与原始图片长宽尺寸相对应的显著性标志图，通过其中的0，1所在区间的位置判断该区域是进行粗量化还是精细量化。[0059](s6)根据显著性标志图来指导绝缘子图像进行量化，如图4所示，根据显著性标志图中的不同标志对目标和背景区域分别进行精细量化和粗量化，与jpeg压缩基本结构相同，将原始图像从rgb空间转换到yuv空间，长、宽尺寸填充至8的倍数，后将其分成多个8x8的块，dct变换后由生成的显著性标志图来指导量化，zigzag扫描后分成低频分量dc和高频分量ac，最后进行熵编码。其中显著性标志图中标志为1的区域表示卷积提取出的特征区域，标志为0的区域表示背景区域，以亮度空间y中一个8x8的块为例，若分成的8x8的区域块中对应的显著性标志图含有标志1，则将该块根据亮度量化表进行精细量化，生成q1计算公式为：[0060][0061]式中，q1表示精细量化后该8×8块的值，dctblock表示经过dct变换后的block，table0表示为亮度量化表。[0062]若所在的8x8的块对应的显著性标志图中所在区域标志均为0，则将其进行粗量化，生成q2计算公式为：[0063][0064]式中，table1＝q×e，q为量化阶，e为8×8的单位向量，q2为粗量化后该8×8块的值。[0065]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页1 2 3 当前第1页1 2 3