一种基于电力调度的人工智能图像处理方法与流程

本发明涉及图像处理的技术领域，尤其涉及一种基于电力调度的人工智能图像处理方法。

背景技术：

“2030年达到碳峰值”和“2060年实现碳中和”被列为2021年中央八项重点任务之一，近几年我国进行的新型基础设施建设与5g技术的普及与推广，都推动着我国电力系统朝着更加智能化、清洁化的方向发展。随着社会经济与人民生活水平提高，全社会用电量将会持续增长，电力需求增长已经成为常态，以前基础设施已无法满足当今时代对智能电网的要求，将人工智能技术运用到电网调度控制是一次全新的尝试，电力系统中的负荷预测、故障诊断、自动电压控制、自然语言处理学习、人机交互等技术逐渐成为人们热议的话题，如今的电力系统智能化水平还达不到要求，人机交互技术、故障诊断效率亟待提高，调度运行时处理问题也要更加迅速、准确，这需要我们对信息的处理更加精准、高效，对数据信息的处理已经达到了一定水平，相比而言对图像信息的处理方面显得更加重要。针对这些问题，我们希望结合人工智能技术找到一种基于电力调度的图像处理技术，进行图像的采集、提取、处理，并从中得到所需要的信息，实现信息核验、设备诊断、历史数据学习、以及其他深度强化学习等功能。

目前设计出的大部分图像处理系统功能较为单一，只能单独完成某些固定场合下的一些功能，比如单独的人脸识别，数字识别等，而不能系统性的完成调度系统中对图像信息采集、传输、处理、判断、学习的要求，本发明的系统将调度系统中对图像信息采集、传输、处理，利用拉普拉斯算子图像锐化技术与dct图像压缩与解压缩技术，结合人工智能算法进一步实现调度系统对信息核验、设备诊断、历史数据学习、以及其他深度强化学习等功能；并且在前端采集得到的一部分数据不进行传输只保存在本地服务器中，根据调度系统发出的指令就能够调取前端服务器储存的信息，降低传输线路的负担，提高了传输效率以及碎片化信息处理水平，采集的数据保存本地服务器中保证了信息的安全性与完整性。

技术实现要素：

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：目前设计出的大部分图像处理系统功能较为单一，只能单独完成某些固定场合下的一些功能，比如单独的人脸识别，数字识别等，而不能系统性的完成调度系统中对图像信息采集、传输、处理、判断、学习的要求，并且在信息传输的过程中，传输线路负担过重，导致传输效率变低的问题。

为解决上述技术问题，本发明提供如下技术方案：采集电力调度所需的视频图像；筛选出所述视频图像的关键帧并进行压缩；通过改进型拉普拉斯算子图像锐化技术对所述压缩后的视频图像进行处理，并将其归类学习并存储；将处理后的图片用于调度系统的应用，并通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述采集电力调度所需的视频图像包括，所述采集到的所有图像不进行抽帧和图像压缩直接保存在本地服务器中，每超过十五天自动覆盖。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述筛选出所述视频图像的关键帧并进行压缩包括，所述筛选出视频图像的关键帧是对现场实时采集视频中的截取，每一秒截取5-10帧图画进行处理，筛选出关键帧后进行dct图像压缩处理并进行传输。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述每一秒截取5-10帧图画包括，将所述采集到的电力调度所需的视频图像按采集的先后顺序进行存储，对采集到的视频图像中的帧进行编号，并且选择编号为3(4/5/6)的倍数的帧进行压缩处理。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述传输包括，所述传输装置为远距离传输装置，若所述传输装置所在地较为平坦，选择就地建设通讯基站，进行无线传输；若所述传输装置所在地较为崎岖，不适合就地建设通讯基站，则选择网络、光纤传输进行信息传输。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述对所述压缩后的视频图像进行归类学习并存储包括，将所述压缩处理后的关键帧，利用改进型拉普拉斯算子图像锐化技术进行图像处理分析，并将处理后的图片归类并存储在终端服务器中。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述改进型拉普拉斯算子图像锐化技术包括，所述压缩后的关键帧经过调度终端进行解压缩处理，利用阈值去噪技术对所述关键帧进行降噪处理，再进行拉普拉斯图像增强。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述归类学习并存储包括，对所述改进型拉普拉斯算子图像锐化技术处理后的图像进行判断，若所述经处理后传输的图像是新场景，则会进行归类，并上报至调度中心，所述调度中心将运行指令下发至调度员或前端设备，自动记录该运行指令完成学习，若发生故障，则根据故障种类进行归类，若为人员或设备的识别问题，则会将人员或设备进行归类。

作为本发明所述的基于电力调度的人工智能图像处理方法的一种优选方案，其中：所述通过人工智能算法提出调控运行辅助决策建议包括，所述人工智能算法，提取压缩处理后的图片，用于调度系统的人脸识别以完成调度人员的身份核验，并且可以进一步通过设备识别、文字识别、故障诊断以进行潮流计算、区域负荷补偿来维持系统电压稳定、完成电力调度系统深度强化学习的工作，通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。

本发明的有益效果：本发明将调度系统中对图像信息采集、传输、处理，利用拉普拉斯算子图像锐化技术与dct图像压缩与解压缩技术，结合人工智能算法进一步实现调度系统对信息核验、设备诊断、历史数据学习、以及其他深度强化学习等功能；并且在前端采集得到的一部分数据不进行传输只保存在本地服务器中，根据调度系统发出的指令就能够调取前端服务器储存的信息，降低传输线路的负担，提高了传输效率以及碎片化信息处理水平，采集的数据保存本地服务器中保证了信息的安全性与完整性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的基于电力调度的人工智能图像处理方法的流程示意图；

图2为本发明第一个实施例提供的基于电力调度的人工智能图像处理方法的整体框架原理图；

图3为本发明第一个实施例提供的基于电力调度的人工智能图像处理方法的主结构示意图；

图4为本发明第二个实施例提供的基于电力调度的人工智能图像处理方法的图像处理效果对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的一个实施例，提供了一种基于电力调度的人工智能图像处理方法，包括：

s1：采集电力调度所需的视频图像。其中需要说明的是，

采集为按照电力调度所需进行的视频、图片采集，例如系统需要核对调度员身份时，采集调度员的面部图像以进行比对、系统需了解设备的外部情况时，采集设备所在地的视频图像等，采集设备包括已安装的视频、图片拍摄装置并支持手机、u盘等存储设备进行上传。

进一步的是，采集到的所有图像不进行抽帧和图像压缩直接保存在本地服务器中，每超过十五天自动覆盖，若调控中心需要某时间段内详细的视频数据，十五天之内可根据调控中心指令进行提取传输，并且本地服务器数据保存安全可靠，能够做到视频原始数据不丢失，便于在电力系统出现问题时在数据发出端排查原因。

s2：筛选出视频图像的关键帧并进行压缩。其中需要说明的是，

筛选出视频图像的关键帧是对现场实时采集视频中的截取，由于采集到的视频数据一般为每秒30帧，将图像帧按采集的先后顺序进行储存，对每秒采集的这些帧编号，选择编号为3(4/5/6)的倍数的帧进行后续处理，即每一秒截取5-10帧图画进行处理，筛选出关键帧后进行dct图像压缩处理并进行传输，减少了传输线路负担，提高传输效率，并且在系统中，如果在一段时间(比如5秒)内系统判断出现了问题，每秒截取的帧数足够用于系统的判断。

进一步的是，进行传输的装置为远距离传输装置，若传输装置所在地较为平坦，选择就地建设通讯基站，进行无线传输，选择通过5g通信技术、移动互联网技术；若传输装置所在地较为崎岖，不适合就地建设通讯基站，则选择网络、光纤传输进行信息传输，例如选择电力内网、架设光纤传输，提高传输效率，减少延迟，5g通信技术速度快，延迟低，但是基站覆盖范围较小，基站建设成本较高，而通过电力内网、光纤传输则连接更为稳定，专用通道安全性能更高，但是相比而言总成本较高，所以利用云端+光纤相结合的传输途径更适合多种场景的应用。

s3：通过改进型拉普拉斯算子图像锐化技术对压缩后的视频图像进行处理，并将其归类学习并存储。其中需要说明的是，

对压缩后的视频图像进行归类学习并存储包括，将压缩处理后的关键帧，利用改进型拉普拉斯算子图像锐化技术进行图像处理分析，并将处理后的图片归类并存储在终端服务器中。

进一步的是，改进型拉普拉斯算子图像锐化技术包括，压缩后的关键帧经过调度终端进行解压缩处理，利用阈值去噪技术对关键帧进行降噪处理，再进行拉普拉斯图像增强，其中阈值的选取，参数的选择，在不同应用场景以及不同的光亮下选取的值有所不同，需要具体分析。

归类学习并存储包括，对处理后的图像进行判断，若经处理后传输的图像是新场景，则会进行归类，并上报至调度中心，调度中心将运行指令下发至调度员或前端设备，自动记录该运行指令完成学习，若发生故障，则根据故障种类进行归类，若为人员或设备的识别问题，则会将人员或设备进行归类。

s4：将处理后的图片用于调度系统的应用，并通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。其中需要说明的是，

通过人工智能算法提出调控运行辅助决策建议包括，人工智能算法，提取压缩处理后的图片，用于调度系统的人脸识别以完成调度人员的身份核验，并且可以进一步通过设备识别、文字识别、故障诊断以进行潮流计算、区域负荷补偿来维持系统电压稳定、完成电力调度系统深度强化学习的工作，通过人工智能算法提出调控运行辅助决策建议以供调度员参考选择。

进一步的是，通过人工智能算法提出调控运行辅助决策建议包括，在对图像进行识别以后，将图像是否出现问题做出初步判断(如人脸匹配失败、设备运行数据异常)，根据不同的问题反馈到调度中心。

辅助决策建议基于历史数据，调控中心终端服务器中储存着大量历史故障处理记录，而这些数据随着新故障的产生而不断更新，如果遇到历史记录中未出现过的新问题，系统无法给出辅助决策建议，则会由调度员负责解决问题，此时系统会记录本次调度员的指令，更新至服务器中，便于下次出现时提出辅助建议。

实施例2

参照图4为本发明另一个实施例，为了对本发明的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

为了保障实验可实施，需要搭建一个测试平台进行实验对比，其中测试环境为选用c++引擎以及java数据库进行测试，在配电网图像中随机选取100张图片进行图像处理测试，为了验证本发明的有益效果，对配电网图像进行压缩图像处理、传统拉普拉斯算子图像锐化技术进行图像处理以及本方法改进后的拉普拉斯算子图像锐化技术图像处理，将3种方法处理后的图像进行对比，其结果图参照图4。

图4为配电网图像经过3种处理方法后的对比，其中(a)为经过压缩后的彩色图，(b)为未改进的拉普拉斯算子图像锐化技术图像处理的效果图，(c)为改进后的拉普拉斯算子图像锐化技术图像处理的效果图，可以明显看出，使用本发明方法进行图像处理，其图像清晰度更高，仅经过压缩处理的清晰度最低，本方法由于消除了噪声的干扰，图像处理的效果更好。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。