一种特高压换流站屏柜压板监测去反射干扰网络及方法与流程

1.本发明涉及轻量级人工智能的特高压直流保护系统边缘侧分布式数据处理领域，更具体涉及一种特高压换流站屏柜压板监测去反射干扰网络。


背景技术：

2.特高压换流站保护装置有时候出现应该动作的，但是装置本身没有动作，以前没有监测方法的情况下，现场操作人员不知道此种情况，后续安装了监控设施以后，由于操作人员的经验、责任心等主观因素，会出现漏检的情况，因此现在通过视频分析的技术辅助操作人员进行保护装置的动作的判定。
3.特高压换流站保护装置需要监测的适用于特高压直流保护核心环节状态信号参量如下：a.出口压板状态监视；b.屏柜内端子排测温；c.屏柜内二次设备前面板监视；d.屏柜内二次设备的工作温度；e.屏柜内二次设备的工作电压；f.光纤的光强监测；g.电缆的绝缘检测；h.出口回路检测；i.辅助接点位置；j.电缆状态的检测；k.环境的参量的检测，比如温度、湿度等；l.接线端子的锈蚀状态。屏柜和室外的端子箱都属于特高压换流站保护装置，最核心的保护信息都反馈在室内屏柜和室外的端子箱，因此需要特别关注屏柜和室外的端子箱的保护状态，上述特高压直流保护核心环节状态信号参量中出口压板状态监视和屏柜内二次设备前面板监视均在屏柜内，所以需要对屏柜进行图像监测。
4.对屏柜进行图像监测主要采用视频监控，视频监控广泛应用于特高压直流换流站以监测各环节设备的运行状态。因为图像的信息带宽有限，都传视频到云端的话对云盘的存储能力和容量要求较高。当摄像头和光照条件确定以后，上位机一直采集同等条件下的数据，因此特高压换流站小室内的监控数据具有重复性，大量重复的数据上传的意义不是很大，占用云端大量存储空间和传输带宽。基于轻量级人工智能的特高压直流保护系统边缘侧分布式数据处理与故障分析技术研究，将大量的放在云端处理的数据放在边缘端进行处理，从而实现轻量化是目前特高压换流站亟需解决的问题。
5.特高压换流站屏柜外侧设有玻璃罩，整个屏柜置于玻璃罩内，屏柜上设有压板、测试数据显示窗口、开关、把手、状态指示灯等，通过设置于特高压换流站小室内的摄像头拍摄特高压换流站屏柜照片能够对特高压换流站屏柜状态进行观测。传统的电力设备对监测图像的信息处理主要以人力为主，整体效率不高，对设备运行状态辨别的准确性因人而异。文献《赵振兵,张薇,翟永杰,等.电力视觉技术的概念、研究现状与展望[j].电力科学与工程,2020,36(01):1-8》提出电力视觉技术的概念，在电力系统、计算机视觉和人工智能等领域之间建立了桥梁，随着人工智能和计算机视觉技术的发展，已经出现了大量基于机器视觉的特高压直流换流站设备全景监测研究工作，可实现高效准确地获取设备的运行状态特征信息与判别，进而完成有效视频巡检工作，节约了大量人力，提高了巡检效率。
[0006]
然而目前在换流站设备视频巡检过程中，某些特定场景因受到反射光线的影响，所采集图像会呈现大面积反光的现象，从而影响了图像信息处理的效果。虽然有部分场景可以通过改变摄像头方位解决，但在二次设备的屏柜监测实践过程中，始终存在屏柜表面
玻璃反光导致所采集图像部分区域难以监测的难题(如图1中输入图像)，这在很大程度上影响了后续的目标检测、语义分割等机器视觉任务。严重时，反射干扰区域甚至会覆盖全部待检测区域，使得任务无法完成或中断，这也是特高压直流换流站设备全景监测研究中尚未解决的问题。


技术实现要素：

[0007]
本发明所要解决的技术问题在于特高压直流换流站设备全景监测过程存在屏柜表面玻璃反光导致所采集图像部分区域难以监测的难题。
[0008]
本发明通过以下技术手段实现解决上述技术问题的：一种特高压换流站屏柜压板监测去反射干扰网络，包括多个顺次级联的编码器和多个顺次级联的解码器，所述编码器包括顺次连接的两个残差块和一个wrnl块，当前编码器的wrnl块输出结果经下采样输入下一级编码器的残差块，解码器包括顺序连接的卷积层、两个残差块和一个wrnl块，卷积层连接一个se块，当前解码器输入端融合的上一级输出结果以及每个编码器的输出结果之后输入到当前解码器中的se块，se块通过卷积层调整通道数量之后将结果输入到当前解码器中的残差块，带反射干扰的图像输入第一级编码器，最后一级解码器输出去掉反射干扰的图片。
[0009]
本发明利用形似u-net网络的编解码器结构作为图像的转换模型，同一级别内实现了跳跃连接，且考虑到级别之间的要素连接，当前解码器输入端融合的上一级输出结果以及每个编码器的输出结果之后输入到当前解码器中的se块，se块通过卷积层调整通道数量之后将结果输入到当前解码器中的残差块，实现不同尺度之间交互，避免信息丢失，将屏柜表面带反射干扰的图片输入模型，输出去掉反射干扰的图片，解决特高压直流换流站设备全景监测过程屏柜表面玻璃反光导致所采集图像部分区域难以监测的难题。
[0010]
进一步地，所述去反射干扰网络包括3个顺次级联的编码器和4个顺次级联的解码器。
[0011]
进一步地，所述残差块包括顺序编号的第一残差结构至第三残差结构，第一残差结构至第三残差结构顺次级联，每个残差结构包括3
×
3卷积层和prelu层，第二残差结构的输入端接收第一残差结构的输入数据及其输出结果，第三残差结构的输入端接收第二残差结构的输入数据及其输出结果以及第一残差结构的输入数据，第三残差结构的输出数据融合第一残差结构的输入数据作为整个残差块的输出。
[0012]
进一步地，所述wrnl块的工作过程为：
[0013]
将wrnl的输入特征x划分为a
×
b的特征图{xk},(k＝1,...,ab)，其中k是特征图的数量，通过公式生成输出特征，其中，
[0014][0015][0016][0017]
[0018]
表示第k个特征图在位置i的输出特征，表示第k个特征图中第i行特征点，表示第k个特征图中第j列特征点，()
t
表示矩阵的转置矩阵，w
θ
、和wg均为权重矩阵且维数分别为c
×
l、c
×
l和c
×
c，l＝c/2；表示与一组区域位置si中每个之间的相关性；γ(
·
)表示关系函数且γ(
·
)＝1/((
·
)+1)。
[0019]
更进一步地，如果a》b，则特征图比a＝b时宽，因此，当a》b、a＝b和a《b时，分别称其为宽区域矩形块、正方形块和高区域矩形块。
[0020]
进一步地，所述当前解码器输入端融合的上一级输出结果以及每个编码器的输出结果之后输入到当前解码器中的se块，se块通过卷积层调整通道数量之后将结果输入到当前解码器中的残差块，包括：
[0021]
设作为编码器中级别l(l＝1,2,3)的输出特征，则解码器中的每个级别l(l＝4,5,6,7)的输入特征为：
[0022]
其中，
[0023]
表示级联操作，h
up
(
·
)表示上采样操作，表示级别l的解码器输出特征，w1×1表示1
×
1卷积层，f
se
(
·
)表示se块，表示从级别i到l的采样操作。
[0024]
本发明还提供一种特高压换流站屏柜压板监测去反射干扰网络的方法，所述方法包括：
[0025]
构建数据集；
[0026]
利用数据集对去反射干扰网络进行训练，当满足收敛条件时得到训练好的去反射干扰网络，将实时采集的带反射干扰的图像输入训练好的去反射干扰网络，输出去掉反射干扰的图片。
[0027]
进一步地，所述数据集包括公开数据集和某特高压换流站保护小室内的屏柜压板状态图像数据集，数据集按7：3的比例随机划分为训练集和测试集。
[0028]
进一步地，所述收敛条件为损失函数达到最小值，所述损失函数包括：
[0029]
l1＝||x
gt-f(x
input
)||1+||x
gt-f(x
input
)||2[0030]
其中，x
input
表示输入反射图像，x
gt
表示相对应的去反射图像，f表示去反射干扰网络的输出，|| ||f表示f范数计算且f取1、2。
[0031]
更进一步地，所述损失函数还包括：
[0032][0033]
其中，
[0034]
θ表示网络权值，d表示数据集，i表示输入图像，n为图像下采样因子，表示传输层通过因子为2
n-1的双线性差值的下采样，表示反射层通过因子为2
n-1的双线性差值的下采样，t表示图像i的传输层，r表示图像i的反射层，λ
t
和λr均为归一化因子，
⊙
表示按单元顺序相乘，表示图像i传输
层的梯度图，表示图像i反射层的梯度图，表示的模，表示的模；
[0035]
则总损失函数为l＝l1+l
excl
(θ)。
[0036]
本发明的优点在于：
[0037]
(1)本发明利用形似u-net网络的编解码器结构作为图像的转换模型，同一级别内实现了跳跃连接，且考虑到级别之间的要素连接，当前解码器输入端融合的上一级输出结果以及每个编码器的输出结果之后输入到当前解码器中的se块，se块通过卷积层调整通道数量之后将结果输入到当前解码器中的残差块，实现不同尺度之间交互，避免信息丢失，将屏柜表面带反射干扰的图片输入模型，输出去掉反射干扰的图片，解决特高压直流换流站设备全景监测过程屏柜表面玻璃反光导致所采集图像部分区域难以监测的难题。
[0038]
(2)图像去反射属于低级视觉任务，需要尺度更为丰富的特征以恢复图像中的细节，本发明构造了一种多级连接结构，每一级由两个紧密连接的残差块和一个wrnl块组成，每个残差块则由第一残差结构至第三残差结构组成，在网络的上采样部分，通过多级连接可以聚合来自下采样中所有尺度的特征信息，由于不同级别的特征具有不同的尺度，为了在多级连接之后可以自适应调整通道特性，在每个解码器阶段添加se块，并通过1
×
1卷积层调整激励块之后的通道数量，使其与下一级输入端匹配。
[0039]
(3)换流站小室内的光照特点使得常规的区块无法适用，本发明的wenl块通过将特征图划分为宽区域的网格使得反射分布相对均匀，输入反射图像和相对应的去反射图像中的像素之差超过一定的阈值，则认为该像素属于反射层。
附图说明
[0040]
图1为本发明实施例所提供的一种特高压换流站屏柜压板监测去反射干扰网络的结构示意图；
[0041]
图2为本发明实施例所提供的一种特高压换流站屏柜压板监测去反射干扰网络中残差块的结构示意图；
[0042]
图3为本发明实施例所提供的一种特高压换流站屏柜压板监测去反射干扰网络中公开数据集(psnr1,ssim1)和屏柜压板状态图像数据集(psnr2,ssim2)的多级连接级数消融实验结果；
[0043]
图4为本发明实施例所提供的一种特高压换流站屏柜压板监测去反射干扰网络中真实自然景观图像的去反光视觉处理结果；
[0044]
图5为本发明实施例所提供的一种特高压换流站屏柜压板监测去反射干扰网络中换流站屏柜压板图像的去反光视觉处理结果。
具体实施方式
[0045]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。
[0046]
特高压直流换流站屏柜监测的反射光源主要以日灯光为主，具有室内、非自然光、光斑分散且光照强度大等特点。如图1中输入图像，分散分布的光斑大概率会覆盖在显示
屏、压板等待监测区域上，加之小室内监视摄像头可安装的方位受防水措施、电缆走线等环境因素制约，只能采用安装在屏柜顶部上方以俯视的观察角度进行监测，这就使得过高的光照强度导致设备状态信息无法正确读取，从而影响图像信息处理效果，为后续的目标检测、语义分割等机器视觉任务带来很大干扰。
[0047]
现有的去反射光深层神经网络多是针对真实世界的自然场景，通常是在室外、自然光的环境下，此时反射光光照强度小，光斑分布均匀，这与特高压直流换流站屏柜的光照特点差异较大。因此，在构建特高压直流换流站屏柜的去反射深层神经网络时，须充分考虑站内设备运行环境和光线特征，以高效准确去除反射干扰，获取设备运行状态的特征信息。
[0048]
针对上述监测图像去反射的需求，本发明提出了如图1所示的一种特高压换流站屏柜压板监测去反射干扰网络，以下称为ma-net网络。ma-net网络由编码器和解码器组成，前三个阶段构成编码器部分，剩余四个阶段构成解码器部分。根据特征图的大小来划分级别，并将一个组块定义为一个阶段。通过多级之间的连接，ma-net可将编码器的所有输出连接到解码器的所有输入，从而使得在图像恢复的过程中可以同时使用不同大小的特征。继续参阅图1，ma-net网络包括3个顺次级联的编码器和4个顺次级联的解码器，所述编码器包括顺次连接的两个残差块和一个wrnl块，当前编码器的wrnl块输出结果经下采样输入下一级编码器的残差块，解码器包括顺序连接的卷积层、两个残差块和一个wrnl块，卷积层连接一个se块，当前解码器输入端融合的上一级输出结果以及每个编码器的输出结果之后输入到当前解码器中的se块，se块通过卷积层调整通道数量之后将结果输入到当前解码器中的残差块，带反射干扰的图像输入第一级编码器，最后一级解码器输出去掉反射干扰的图片。以下分条介绍上述网络结构中多级连接机制、wrnl块，网络训练过程和训练所涉及的损失函数，最后通过仿真验证本发明的效果。
[0049]
1、多级连接机制
[0050]
在形似u-net的网络结构中，同级别之间特征连接的结构，可以缓解解码器中低级特征无法利用多尺度信息的缺陷。然而，图像去反射属于低级视觉任务，需要尺度更为丰富的特征以恢复图像中的细节。本发明构造了一种多级连接结构，每一级由两个紧密连接的残差(densely connected residual，dcr)块组成(如图2所示)wrnl块组成。所述残差块包括顺序编号的第一残差结构至第三残差结构，第一残差结构至第三残差结构顺次级联，每个残差结构包括3
×
3卷积层和prelu层，第二残差结构的输入端接收第一残差结构的输入数据及其输出结果，第三残差结构的输入端接收第二残差结构的输入数据及其输出结果以及第一残差结构的输入数据，第三残差结构的输出数据融合第一残差结构的输入数据作为整个残差块的输出。在网络的上采样部分，通过多级连接可以聚合来自下采样中所有尺度的特征信息。由于不同级别的特征具有不同的尺度，为了在多级连接之后可以自适应调整通道特性，在每个解码器阶段添加压缩激励(squeeze-and-excitation，se)块，并通过1
×
1卷积层调整激励块之后的通道数量。其中，se块采用现有技术的压缩激励块，具体可参考csdn博客上发表的文献《se模块详解》中对压缩激励块的相关描述。
[0051]
设作为编码器中级别l(l＝1,2,3)的输出特征，则解码器中的每个级别l(l＝4,5,6,7)的输入特征为：
[0052]
其中，
[0053]
其中，表示级联操作，h
up
(
·
)表示上采样操作，表示级别l的解码器输出特征，w1×1表示1
×
1卷积层，f
se
(
·
)表示se块，表示从级别i到l的采样操作，即为在l》i，l＝i和l《i时的l-i次下采样和i-l次上采样操作。
[0054]
多级连接可以在处理低级特征时使用到高级特征，有助于网络在恢复大比例对象时可利用多种比例表示，反之亦然。本发明采用离散小波变换进行上下采样操作，以寻找不同尺度上特征形状之间的映射关系。此外，考虑到信息丢失问题，本发明选择二维haar小波来进行采样操作。
[0055]
2、wrnl块(宽区域非局部块)
[0056]
换流站小室内的光照特点使得常规的区块无法适用。因此，首先定义wrnl区块，然后运用统计学知识对wrnl区块的有效性进行分析。
[0057]
将wrnl的输入特征x划分为a
×
b的特征图{xk},(k＝1,...,ab)，其中k是特征图的数量，通过公式生成输出特征，其中，
[0058][0059][0060][0061][0062]
表示第k个特征图在位置i的输出特征，表示第k个特征图中第i行特征点，表示第k个特征图中第j列特征点，()
t
表示矩阵的转置矩阵，w
θ
、和wg均为权重矩阵且维数分别为c
×
l、c
×
l和c
×
c，l＝c/2；表示与一组区域位置si中每个之间的相关性；γ(
·
)表示关系函数且γ(
·
)＝1/((
·
)+1)。如果a》b，则网格比a＝b时更宽。因此，当a》b、a＝b和a《b时，分别称其为宽区域矩形块、正方形块和高区域矩形块。
[0063]
假设非局部块是基于斑块中其他像素的信息来恢复特定像素，那么每个斑块中都需要有足够的背景信息。然而由于反射层的分布不均匀，区域非局部块难以充分利用背景信息，宽区域矩形斑块较正方形和高区域矩形斑块具有更丰富的背景信息。将图像分别划分为16*4、8*8和4*16个网格，获取宽区域矩形、正方形和高区域矩形块。如果输入反射图像和相对应的去反射图像中的像素之差超过一定的阈值，就认为该像素属于反射层。不同区域类型消融实验的结果如表1所示，与正方形和高区域矩形斑块相比，宽区域矩形块具有更佳的峰值信噪比(peak signal to noise ratio，psnr)和结构相似性(structural similarity，ssim)，此时反射层在所有斑块上的分布是均匀的，可以更好地恢复图像。
[0064]
表1区域非局部块的区域类型消融实验
[0065][0066]
3、网络训练过程
[0067]
构建数据集；利用数据集对去反射干扰网络进行训练，当满足收敛条件时得到训练好的去反射干扰网络，将实时采集的带反射干扰的图像输入训练好的去反射干扰网络，输出去掉反射干扰的图片。所述数据集包括公开数据集和某特高压换流站保护小室内的屏柜压板状态图像数据集，数据集按7：3的比例随机划分为训练集和测试集。
[0068]
所述收敛条件为损失函数达到最小值，所述损失函数包括：
[0069]
l1＝||x
gt-f(x
input
)||1+||x
gt-f(x
input
)||2[0070]
其中，x
input
表示输入反射图像，x
gt
表示相对应的去反射图像，f表示去反射干扰网络的输出，|| ||f表示f范数计算且f取1、2。
[0071]
此外，为了更好地分离反射层和透射层，定义基于梯度域的排斥损失。通过分析两层边缘之间的关系可以发现，透射层和反射层在边缘处基本不会发生重叠现象，图像i中的边缘应该是由透射层或者反射层引起的，而不是两者共同作用。因此，最小化梯度域中预测的透射层和反射层之间的相关性，并将排斥损失表述为两层在多空间分辨率下归一化梯度场的乘积，构建损失函数如下：
[0072][0073]
其中，
[0074]
θ表示网络权值，d表示数据集，i表示输入图像，n为图像下采样因子，表示传输层通过因子为2
n-1的双线性差值的下采样，表示反射层通过因子为2
n-1的双线性差值的下采样，t表示图像i的传输层，r表示图像i的反射层，λ
t
和λr均为归一化因子，
⊙
表示按单元顺序相乘，表示图像i传输层的梯度图，表示图像i反射层的梯度图，表示的模，表示的模，n等于3；
[0075]
则总损失函数为l＝l1+l
excl
(θ)。
[0076]
4、仿真验证
[0077]
4.1数据集的选取
[0078]
为了验证本发明方法可行性和有效性，分别在文献《renjie wan,boxin shi,lingyu duan,et al.benchmarking single-image reflection removal algorithms.ieee international conference on computer vision,3922-3930,2017.》公开的数据集sir2以及某特高压换流站保护小室内的屏柜压板状态图像数据集上，对本发明方法进行了验证。本发明使用pressure-plate(1400)、object(1500)、postcard(560)和zhang et al.(800)数据集共计4260幅图像进行训练，剩余pressure-plate(600)、object(640)、postcard(240)和zhang et al.(340)数据集共计1820幅图像进行定量评估，4个数据集被按7：3的比例随机划分为训练集和测试集。
[0079]
其中，数据集pressure-plate是针对室内环境下屏柜压板状态使用佳能eos 750d
照相机拍摄的图像数据集，共包含220个真实图像对，即带反射的图像和相应的基准透射层。为了模拟不同的成像条件，在拍摄图像时考虑了以下因素：1)环境：室内；2)光照条件：白炽灯；3)玻璃板厚度：3mm和8mm；4)玻璃与相机的距离：3-15cm；5)相机视角：正视和斜视；6)相机曝光值：8.0-16.0；7)相机光圈(影响反射模糊)：f/4.0-f/16。
[0080]
4.2实验结果与分析
[0081]
4.2.1消融实验
[0082]
通过多级连接可以在网络的上采样部分，聚合来自下采样部分中所有尺度的特征信息，但级数过深会使得关键信息的权重降低，级数过少则会使得特征信息提取的效果不明显，因此，如何选择合适的多级连接级数非常重要。图3给出了公开数据集(psnr1,ssim1)和屏柜压板状态图像数据集(psnr2,ssim2)的多级连接级数消融实验结果。由图3可知，随着多级连接的级数加深，psnr和ssim指标逐渐升高，在level 4的时候达到最大值，而随着级数的继续增加，psnr和ssim逐渐降低，表明所构建的深层神经网络对各尺度信息的聚合能力逐步降低。因此后续多级连接的级数选择为4层。
[0083]
4.2.2定性分析
[0084]
在选择4层连接级数条件下，将本发明所提出的方法ma-net与其他方法进行了对比研究，包括文献《qingnan fan,jiaolong yang,gang hua,et al.ageneric deep architecture for single image reflection removal and image smoothing.ieee international conference on computer vision,3238-3247,2017.》提出的ceilnet、文献《jie yang,dong gong,lingqiao liu,et al.seeing deeply and bidirectionally:a deep learning approach for single image reflection removal.european conference on computer vision,654-669,2018.》提出bdn和文献《kaixuan wei,jiaolong y ang,ying fu,et al.single image reflection removal exploiting misaligned training data and network enhancements.ieee conference on computer vision and pattern recognition,8178
–
8187,2019.》提出的errnet[。为了进行对等比较，采用相同的公开数据集训练样本以及屏柜压板状态图像数据集训练样本，对每个模型进行参数微调，并给出精调版本(用后缀
‘‑
f’表示)的最佳结果
[0085]
如图4和图5所示，本发明展示了真实自然景观图像和换流站屏柜压板图像的去反光视觉处理结果，其中输入图像(列1)，ceilnet(列2)，bdn(列3)，errnet(列4)，本发明的方法(列5)。可以发现相比于其他方法，本发明的方法的视觉效果更为准确，删除了大多数不需要的反射，且对室内、非自然光、光斑分散且光照强度大的特点处理效果优势明显，而其他方法普遍存在反射去除效果不明显，噪声更大等问题。
[0086]
4.2.3定量分析
[0087]
表2总结了在四个真实数据集上不同方法的实验结果，包括pressure-plate、object、postcard和zhang et al.。每个数据集中的测试图像数量显示在名称之后，采用psnr和ssim度量指标，psnr和ssim的值越大，性能越好。
[0088]
表2四个真实数据集上不同方法的定量比较
[0089][0090]
从表2中可以看出，除了文献《xuaner zhang,ren ng,qifeng chen.single image reflection separation with perceptual losses.ieee conference on computer vision and pattern recognition,4786-4794,2018.》公开的zhang et al.数据集，本发明ma-net在所有数据集上取得了最好的性能，这是由于errnet是建立在zhang et al.模型基础之上的，其网络模型对该数据集具有更好的泛化能力，故该算法在zhang et al.数据集上有较好的性能。在所有测试数据集的平均性能上，ma-net优于其他方法。
[0091]
表3针对现有的压板状态识别方法(聚类匹配法、改进bof法、openvino法、迁移学习法和改进ssd法)，以屏柜压板状态数据集pressure-plate为对象，对比分析去反射网络对压板状态识别结果的影响。
[0092]
表3去反射网络对压板状态识别的影响
[0093][0094]
从表3中可以看出，在有反射的情况下，这五种压板状态识别方法的识别准确率分别为：78.22％、83.55％、92.90％、89.63％和84.55％。在经过去反射网络去除反射干扰之后，五种方法的识别准确率都有不同程度的提升。其中，聚类匹配法和改进bof法的识别准确率分别提升了6.28％和3.66％，明显高于openvino法、迁移学习法和改进ssd法的0.45％、1.57％和1.87％，这是因为传统图像识别的方法更依赖于原始图像的信息，抗干扰能力相对较差，故去反射网络产生的效果更好。
[0095]
4.2.4实验结论
[0096]
本发明针对特高压直流换流站压板状态监测中的反射问题进行了研究，提出了一种基于多级连接和自适应区域注意力的去反射深层神经网络，以去除图像中的反射干扰。ma-net网络可通过多级连接和压缩激励块自适应地聚合特征，并基于宽区域性非局部块充分利用丰富的远程无反射背景信息。实验表明，ma-net不仅可以恢复输入图像的细节，并几乎完全消除了真实图像数据集上和屏柜压板状态图像数据集上的反射干扰，可以有效提高压板状态的检测效果。
[0097]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。