一种基于深度学习的电力图像分类方法
【技术领域】
[0001] 本发明涉及一种基于深度学习的电力图像分类方法。
【背景技术】
[0002] 作为国家经济和安全的命脉，电网的安全运营一直是电网最核心和本质的要求。 为了确保高压输变电网安全，已经在输变电系统中部署了大量的传感器。但功能单一的传 感器的功能还不能充分满足电网安全的需求，近年来一个重要的辅助解决方法是采用监控 设备采集视频图像，经人工评估输变电设备状态以及采取相应的措施解决故障。然而对庞 大的流媒体文件进行人工分类处理将耗费大量的人力和时间，效率也很低下，这使得安全 风险依然巨大。这就要求采用一种高效的面对大规模数据的自动化处理方法。
[0003] 在电网目前的数据处理系统中，通常采用分类、回归、聚类等经典学习算法。这 些算法基本上是基于浅层神经网络结构，其局限性在于有限的样本和计算单元情况下对 复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习（De印 Learning，DL)以其多层网络可以提取出更多数据本质特征的优势，实现输入数据的分布式 表示，展现了强大的从少量样本集中学习数据集本质特征的能力。
[0004] 申请号为201310739026. 3的发明专利公开了一种基于深度学习的自然图像中显 著区域的检测方法。申请号为201410138343. 4的发明专利公开了一种基于深度学习的纹 身图像分类方法。目前基于深度学习的方法在非电力专业的自然图像识别中虽然已有一定 的应用，但未见对电力设备图像分类的应用。
[0005] 在现有的一些基于深度学习的处理平台中，如申请号为201310739026. 3的发明 专利和申请号为201410138343. 4的发明专利，在处理类似于电力设备的大规模图像数据 时存在明显局限：即当在一段时间内连续输入相同类型的训练数据时，训练模型将失效。
【发明内容】
[0006] 本发明的目的就是为了解决上述问题，提供一种基于深度学习的电力图像分类方 法，它具有训练的收敛速度较快并有较高的准确率，而且可通过使用GPU加快深度学习网 络的处理速度优点。
[0007] 为了实现上述目的，本发明采用如下技术方案：
[0008] 一种基于深度学习的电力图像分类方法，包括以下步骤：
[0009] 步骤Sl :采用乱序发射机制实现输入电力图像的逐类发射：在乱序发射机制中采 用第一缓存区和第二缓存区，所述第一缓存区用于存储若干张待处理的图象，从第一缓存 区中选取若干张图象存储到第二缓存区中，第二缓存区的图象排队等候发射；所述第二缓 存区的图象按照图象类型标签逐类排序，进一步保证了训练一直处于有效状态；
[0010] 步骤S2:对电力图像进行区域提取：图象的色数估计、图象的区域聚类和图象的 分割融合；
[0011] 步骤S3 :使用基于非线性变换的改进的拉普拉斯算子对步骤S2的区域提取后的 图象进行增强处理；
[0012] 步骤S4 :对步骤S3增强处理后的图像的进行大小调整，并将该图象格式化使其满 足分类器的输入；
[0013] 步骤S5 :将步骤S4的数据输入到分类器中，选择不同的训练集大小和训练速度进 行多次实验，并将分类准确率和效率进行对比分析，选出最优的训练参数，以获得最佳训练 效果。
[0014] 所述步骤S2的图像的色数估计的步骤为：
[0015] 对于一个给定的采用红绿蓝RGB三原色构成原始彩色图像，将其转化为国际色彩 组织CIELAB的"L*、a*、b*"色彩空间，采用CIELAB标准规定的XYZ三色值；
[0016] 原始彩色图像的三原色分量为R、G、B ;则首先将R、G、B对应转换成X、Y、Z的对应 值。令P= [X，Y，Z]T，Q= [R/255，G/255，B/255]TJlJX、Y、Z 的计算按照以下公式计算：
【主权项】
1. 一种基于深度学习的电力图像分类方法，其特征是，包括以下步骤： 步骤Sl :采用乱序发射机制实现输入电力图像的逐类发射：在乱序发射机制中采用第 一缓存区和第二缓存区，所述第一缓存区用于存储若干张待处理的图象，从第一缓存区中 选取若干张图象存储到第二缓存区中，第二缓存区的图象排队等候发射；所述第二缓存区 的图象按照图象类型标签逐类排序，进一步保证了训练一直处于有效状态； 步骤S2 :对电力图像进行区域提取：图象的色数估计、图象的区域聚类和图象的分割 融合； 步骤S3 :使用基于非线性变换的改进的拉普拉斯算子对步骤S2的区域提取后的图象 进行增强处理； 步骤S4 :对步骤S3增强处理后的图像的进行大小调整，并将该图象格式化使其满足分 类器的输入； 步骤S5 :将步骤S4的数据输入到分类器中，选择不同的训练集大小和训练速度进行 多次实验，并将分类准确率和效率进行对比分析，选出最优的训练参数，以获得最佳训练效 果。
2. 如权利要求1所述的一种基于深度学习的电力图像分类方法，其特征是，所述步骤 S2的图像的色数估计的步骤为： 对于一个给定的采用红绿蓝RGB三原色构成原始彩色图像，将其转化为国际色彩组织 CIELAB的"L*、a*、b*"色彩空间，采用CIELAB标准规定的XYZ三色值； 原始彩色图像的三原色分量为R、G、B ;则首先将R、G、B对应转换成X、Y、Z的对应值； 令 P = [X，Y，Z]T，Q = [R/255, G/255, Β/255]τ，则 X、Y、Z 的计算按照以下公式计算：
其中，P的参数含义是图像的XYZ三色值矩阵，Q的参数含义是图像RGB数值矩阵； R表示原始彩色图像的红色，G表示原始彩色图像的绿色，B表示原始彩色图像的蓝色； X、Y、Z为图像在CIE1964补充标准色度系统下的数值；而L*、a*、b*的值则由X、Y、Z 进行表示，具体表达如下：
a*= 500 X (f (X)-f (Y)) (3)； b*= 200 X (f (Y)-f (Z)) (4)； 其中，I/表示照度，a #表示红色至绿色的范围，b#表示蓝色至黄色的范围； f (X)表示把X的数值带入函数f(l)求得的值， f(Y)表示把Y的数值带入函数f(l)求得的值， f (Z)表示把Z的数值带入函数f( ξ )求得的值； 其中：
通过颜色空间转换，从原始RGB图像得到了 "L*、a*、b*"色彩空间的图像数据； 然后通过计算"1>、8*、13*"色彩空间的图像的像素统计分布获得密度分布统计，在对密 度分布统计进行直方图拟合，通过拟合得到直方图拟合曲线； 在直方图拟合曲线中，有N个分布峰出现，则色数的估计值为N。
3.如权利要求1所述的一种基于深度学习的电力图像分类方法，其特征是，所述步骤 S2的图像的区域聚类的步骤为： 为了得到图像中物体的区域，需要将图像颜色聚集到ΙΛ a'bg!间； 对于一个给定的图像Imxn，通过图像的空间变换，需要定义两个像素矩阵和 #彡，像素矩阵对应于a#空间，像素矩阵对应于b#空间，定义的格式如下：
其中，i/a*为的a#的像素矩阵，#<为1/的像素矩阵，表示第m行η列的像素点 产生的'值，厶^表示第m行η列的像素点产生的b#值； 接下来构建聚类对象矩阵C :
聚类对象矩阵C将用于区域聚集的直接输入； 对于一个色数值为K的给定图像，图像区域提取算法会根据图像中像素的相似度将图 像分出K个不同区域； 在聚类分析中，对于一组给定的数X1, X2,…，Xn，假设区域的中心是ck，k = 1，2, 3, ...，K，则这组数将按照最小距离函数分类：
其中，J表示定义的最小距离函数，表示对于第k个数给定的第i个点的数值， 表示两者的距离为欧氏距离；i表示给定的1~N个数值中的第i个。
4. 如权利要求3所述的一种基于深度学习的电力图像分类方法，其特征是，所述区域 聚集过程如下： (2. 1)在聚类矩阵C中随机选择K个点作为初始的聚类中心； (2. 2)分别计算点XiQ = 1，2, 3, ^mn)与Ck(k = 1，2, 3,...，K)之间的距离，然后按 照公式（9)计算最小距离并将点聚集，最小距离准则将Xi标记为类别k ; (2.3)由于每个聚类发生变化，则继续计算每一聚类的中心； (2. 4)重复步骤（2. 2)和步骤（2. 3)直到聚类包含的元素不再变化； 产生的颜色聚集标签矩阵为L，该矩阵中的每个元素与原始图像1_中的每个像素点 --对应。
5. 如权利要求1所述的一种基于深度学习的电力图像分类方法，其特征是，所述步骤 S2的图像的分割融合的步骤为： 图像的区域聚类后，图像中的所有像素点都被标记上对应K个类别中的一类，所述类 别表明相应的像素点所归属的类； 图像区域的提取只需要将与相邻像素点类别不同的那部分点找出，从而将图像中的电 力设备的物体区域提取出来实现图像的分割融合。
6. 如权利要求1所述的一种基于深度学习的电力图像分类方法，其特征是，所述步骤 S3的步骤为： 拉普拉斯算法输出表达式为：
g(x，y)为图像在坐标为（x，y)处拉普拉斯变换后的数值，f(x，y)为图像在坐标（x，y) 处的像素值，相应的f(m，η)为图像在坐标（m，η)处的像素值；TO为线性变换函数； 增强处理的输出与式丨^彡相同^隹一不同点在于将式中的以以^"^^^^这个 线性函数改为一个非线性函数V(f(x，y)，f(m，η))，非线性函数由两个过坐标原点的部分 圆组成，两个部分圆都与直线相切，则圆心坐标为（b/2，-(b/2)tan(90° -a))，半径大小为 (b/2)sina，0。<a<90°，0<b< 255， 非线性函数V (f (x, y)，f (m, η))为： (f (x, y)-b/2)2+(f (m, n) + (b/2) tan(90° -a))2= ((b/2)/sina) 2； V (f (x，y)，f(m，n))的数值与参数a和参数b密切相关；参数a用来控制锐化强度，随 着参数a的增大，输入X经过函数V (f (X，y)，f (m，η))得到的输出的结果就越大，增强效果 就越明显； 而参数b则起到了控制图象噪声的作用，即把相邻像素 f(m，η)与中心像素 f(x，y)差 值大于参数b的值当做噪声予以消除，小于b的值当做边缘细节进行增强。
【专利摘要】本发明公开了一种基于深度学习的电力图像分类方法，步骤：采用乱序发射机制实现输入电力图像的逐类发射：在乱序发射机制中采用第一缓存区和第二缓存区，第一缓存区用于存储若干张待处理的图象，从第一缓存区中选取若干张图象存储到第二缓存区中，第二缓存区的图象排队等候发射；对电力图像进行区域提取；对区域提取后的图象进行增强处理；对增强处理后的图像的进行大小调整，并将该图象格式化使其满足分类器的输入；将数据输入到分类器中，选择不同的训练集大小和训练速度进行多次实验，并将分类准确率和效率进行对比分析，选出最优的训练参数，以获得最佳训练效果。本发明比传统技术有着明显的优势，训练的收敛速度较快并有较高的准确率。
【IPC分类】G06K9-62, G06K9-66
【公开号】CN104680192
【申请号】CN201510061576
【发明人】杜修明, 杨祎, 郭志红, 陈玉峰, 祝永新, 印俊, 张锦逵, 孙英涛, 冯新岩
【申请人】国家电网公司, 国网山东省电力公司电力科学研究院
【公开日】2015年6月3日
【申请日】2015年2月5日