一种基于深度树集成的抽水蓄能电站扬尘识别方法和系统与流程

1.本发明提供了一种基于深度树集成的抽水蓄能电站扬尘识别方法和系统，属于扬尘识别技术领域。


背景技术：

2.在抽水蓄能电站环境中，空气质量监测是一项基本任务，需要特别注意，在抽水蓄能电站环境中空气质量不仅对工作人员的健康和安全很重要，而且对电站设备的保护也很重要，电站设备可能会受到颗粒物或纤维形式的灰尘的损害。目前的扬尘识别主要是基于深度神经网络实现的，但深度神经网络模型训练参数多、模型复杂，训练调优困难且耗时长。因此，本发明提出了一种基于深度树集成的抽水蓄能电站扬尘识别方法和系统。


技术实现要素：

3.本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于深度树集成的抽水蓄能电站扬尘识别方法的改进。
4.为了解决上述技术问题，本发明采用的技术方案为：一种基于深度树集成的抽水蓄能电站扬尘识别方法，包括如下步骤：s1：图像采集预处理：从具有高清成像功能的网络摄像头获取抽水蓄能电站的图像，对图像进行预处理，将图像转换为二值灰度图，将样本划分为训练样本集合和测试样本集合；s2：采用多粒度扫描，获取降维后的图像特征信息；s3：利用降维后的图像特征信息对深度树集成算法进行训练，直到某层的准确率不再提高则停止训练，得到识别模型；s4：输入预处理后的测试样本，采用多粒度扫描获取降维后的图像特征信息，用训练完成的识别模型对测试图像特征信息进行识别，获取识别结果。
5.所述步骤s1中图像预处理的步骤如下：s1.1：将每一帧图像转换为灰色图像；s1.2：对灰度图像进行直方图规定化：s1.2.1：首先对灰度图像做直方图均衡化，得到每个像素s和累积分布t(s)；s1.2.2：根据需要的规定化直方图，求累积分布g(z)；s1.2.3：对于每一个t(s)（假设其像素值为ss），找到在g(z)中与其差值最小的那个g(z)值（假设对应的像素值为zz），那么规定化后就把ss变换为zz；s1.3：使用低通滤波器去除图像背景；s1.4：将直方图规定化和滤波后的灰度图像进行二值化；s1.5：使用中值滤波器消除残留的噪音。
6.将预处理后的图像进行缩放，将图像切分成边长为设定像素的正方形图像块，方块图像的提取从左上角开始扫描整个图像，按水平方向逐块排列，以十分之一设定像素的
步长完成；然后标记图像的标签，标签分为两种，有扬尘和无扬尘。
7.所述步骤s2中多粒度扫描的步骤如下：首先将经过预处理的正方形图像块作为gbdt和xgboost的输入，提取新的特征f
gbdt
和f
xgboost
，同时，通过采样窗口对正方形图像块进行滑动采样，得到特征子样本，接着gbdt和xgboost对每个采集到的特征子样本进行训练，并且每次训练都产生一个长为2 的概率向量；训练完成后gbdt与xgboost得到一个长度为设定像素
×
2 的预测特征向量 o
gbdt
和o
xgboost
，将f
gbdt
、f
xgboost
、o
gbdt
、o
xgboost
和正方形图像块的原始特征x，这5个特征向量组合在一起，得到新的组合特征f
gbdt
+f
xgboost
+o
gbdt
+o
xgboost
+x，将新特征经过pca进行降维，得到降维后的特征向量f
pca
，它的维数为v
pca
。
8.所述步骤s3中识别模型获取的步骤如下：所述深度树集成算法包括多个级联在一起的深度树构成的级联模块，深度树级联模块中第一层的输入采用多粒度扫描模块输出的特征向量f
pca
，经过2个gbdt和2个xgboost 分类处理后，获得4个二维类别向量；然后把4个二维类别向量与多粒度扫描模块输出的特征向量相f
pca
拼接，产生一个[v
pca
+2
×
4]维的特征向量，这个新的特征向量作为第二层的输入；依次类推，第n-1层将产生[v
pca
+2
×
4]维的新的特征向量，作为第n 层的输入；最后，对第n层输出的类别向量求平均值，选择其中最大值所对应的类别作为扬尘图的最终分类结果。
[0009]
一种基于深度树集成的抽水蓄能电站扬尘识别系统，其特征在于：包括图像采集模块、图像预处理模块、多粒度扫描模块和深度树级联模块，所述图像采集模块通过高兴摄像头获取抽水蓄能电站的图像，所述图像预处理模块将采集的图像进行灰度、二值化、去噪、缩放预处理，所述多粒度扫描模块将预处理后的图像通过gbdt和xgboost进行图像特征信息的降维处理，所述深度树级联模块通过降维后的特征信息进行训练，直到某层的准确率不再提高则停止训练，得到识别模型。
[0010]
所述图像预处理模块中进行图像预处理的步骤如下：将每一帧图像转换为灰色图像；对灰度图像进行直方图规定化：首先对灰度图像做直方图均衡化，得到每个像素s和累积分布t(s)；根据需要的规定化直方图，求累积分布g(z)；对于每一个t(s)（假设其像素值为ss），找到在g(z)中与其差值最小的那个g(z)值（假设对应的像素值为zz），那么规定化后就把ss变换为zz；使用低通滤波器去除图像背景；将直方图规定化和滤波后的灰度图像进行二值化；使用中值滤波器消除残留的噪音；将预处理后的图像进行缩放，将图像切分成边长为设定像素的正方形图像块，方块图像的提取从左上角开始扫描整个图像，按水平方向逐块排列，以十分之一设定像素的步长完成；
然后标记图像的标签，标签分为两种，有扬尘和无扬尘。
[0011]
所述多粒度扫描模块进行图像特征信息降维的步骤如下：首先将经过预处理的正方形图像块作为gbdt和xgboost的输入，提取新的特征f
gbdt
和f
xgboost
，同时，通过采样窗口对正方形图像块进行滑动采样，得到特征子样本，接着gbdt和xgboost对每个采集到的特征子样本进行训练，并且每次训练都产生一个长为2 的概率向量；训练完成后gbdt与xgboost得到一个长度为设定像素
×
2 的预测特征向量 o
gbdt
和o
xgboost
，将f
gbdt
、f
xgboost
、o
gbdt
、o
xgboost
和正方形图像块的原始特征x，这5个特征向量组合在一起，得到新的组合特征f
gbdt
+f
xgboost
+o
gbdt
+o
xgboost
+x，将新特征经过pca进行降维，得到降维后的特征向量f
pca
，它的维数为v
pca
。
[0012]
所述深度树级联模块的结构包括：深度树级联模块中第一层的输入采用多粒度扫描模块输出的特征向量f
pca
，经过2个gbdt和2个xgboost 分类处理后，获得4个二维类别向量；把4个二维类别向量与多粒度扫描模块输出的特征向量相f
pca
拼接，产生一个[v
pca
+2
×
4]维的特征向量，这个新的特征向量作为第二层的输入；依次类推，第n-1层将产生[v
pca
+2
×
4]维的新的特征向量，作为第n 层的输入；对第n层输出的类别向量求平均值，选择平均值中的最大值所对应类别作为扬尘图的最终分类结果。
[0013]
本发明相对于现有技术具备的有益效果为：本发明提供的通过深度树集成模型检测和分析抽水蓄能电站扬尘的新方法，所提出的技术依赖于模式识别领域的深度树集成分类算法，该算法不仅能自动选择特征，发现一些人工方式难以发现的特征，还能产生高阶特征的表征向量用于训练；且提出的方法和深度神经网络相比，易于调优，训练和测试速度快，泛化性能好，该方法有助于设计有效的对策，以减少扬尘的有害影响。
附图说明
[0014]
下面结合附图对本发明做进一步说明：图1为本发明的方法流程图；图2为本发明图像采集模块的结构示意图；图3为本发明图像预处理的流程图；图4为本发明多粒度扫描模块的结构示意图；图5为本发明深度树级联模块的结构示意图。
具体实施方式
[0015]
如图1-5所示，本发明提供的基于深度树集成的抽水蓄能电站扬尘识别方法主要包括：1）从具有高清成像功能的网络摄像头获取抽水蓄能电站图像，对图像进行预处理，将图像转换为二值灰度图，并依据算法的需要，将样本划分为训练样本集合和测试样本集合。
[0016]
2）采用多粒度扫描，获取降维后的图像特征信息。
[0017]
3）利用降维后的特征信息对深度树集成算法进行训练，直到某层的准确率不再提高则停止训练，得到识别模型。
[0018]
5）输入测试样本，采用多粒度扫描获取降维后的特征信息，用训练完成的识别模型对测试图像特征信息进行识别，获取识别结果。
[0019]
本发明的图像采集模块的结构如图2所示，采用具有高清成像功能的网络摄像头，为了使扬尘沉积在传感器表面，并避免由于扬尘积累而互相覆，将网络摄像头放置与地面成45度的位置，同时，为了在任何照明条件下采集到稳定的图像，在网络摄像头的垂直方向放置一个发光二极管，以增强图像对比度。网络摄像头通过usb接口和pc机连接，pc机可以获取整个数据流或单帧图像，获取的图像以未压缩的 jpeg 格式保存在pc机上。
[0020]
本发明的图像预处理模块对采集模块所采集的图像进行预处理，通过预处理改善图像的聚焦和对比度，并且对图像噪声进行消除，预处理步骤如图3所示。具体包括：第一步：为了减轻计算负担，将每一帧图像转换为灰色图像。
[0021]
第二步：对灰度图像进行直方图规定化，从而使得图像的对比度增强，细节变得清晰可见。具体步骤如下：（1）首先对原始图像做直方图均衡化，得到每个像素s和累积分布t(s);（2）根据需要的规定化直方图，求累积分布g(z)；（4）对于每一个t（s）（假设其像素值为ss），找到在g（z）中与其差值最小的那个g（z）值（假设对应的像素值为zz），那么规定化后就把ss变换为zz。
[0022]
第三步：使用低通滤波器去除图像的背景。其中低通滤波器的截止频率是通过图像的傅里叶变换幅度谱分析得到。
[0023]
第四步：为了消除直方图规定化过程中产生的部分噪音，将直方图规定化和滤波后的灰度图像进行二值化。
[0024]
第五步：使用中值滤波器的消除残留的噪音。
[0025]
预处理阶段的输出是一个二进制图像，其中灰尘用0(黑色)标识，而非灰尘用1 (白色)表示。
[0026]
在图像预处理完之后确定训练样本，将预处理后图像缩放为500
×
500，为了获得更多的训练集和测试集，将该图像切分为边长为100像素的正方形图像块100
×
100，这些方块的提取是通过从左上角开始扫描整个图像，按水平方向逐块排列，以10像素的步长完成。图像的标签通过手动标记。标签分为两种，有扬尘和无扬尘。将带标签的样本划分为训练样本集合和测试样本集合。
[0027]
将训练样本进行多粒度扫描实现特征信息降维，多粒度扫描模块如图4所示：多粒度扫描模块首先将经过预处理的100
×
100维图像作为gbdt和xgboost的输入，产生新的特征和 ，同时，将100
×
100 维图像通过一个维度为10
×
10的采样窗口对100
×
100图像进行滑动采样，得到100个特征子样本，接着gbdt和xgboost会对每个采集到的子样本进行训练，并且每次训练都将产生一个长为2 的概率向量。训练完成后gbdt与xgboost将会得到一个长度为100
×
2的特征向量o
gbdt
和o
xgboost
。将f
gbdt
、f
xgboost
、o
gbdt
、o
xgboost
和100
×
100图像的原始特征x，这5个特征向量组合在一起，得到新的组合特征，将该新特征经过pca进行降维，得到降维后的特征向量，它的维数为。其中f
gbdt
为使用gbdt提取的特征，f
xgboost
为使用xgboost提取的特
征，o
gbdt
为采用gbdt产生的预测结果组成的特征，o
xgboost
为采用xgboost产生的预测结果组成的特征。
[0028]
利用降维后的特征信息对深度树集成算法进行训练，其中深度树级联模块的结构图如图5所示，在级联模块中，除了第一层采用多粒度扫描模块输出的特征向量f
pca
作为输入之外，随后的每一层都是把从上一层输出的特征向量与多粒度扫描模块输出的特征向量f
pca
拼接作为本层的输入。级联模块首先将多粒度扫描模块输出的特征向量f_pca作为输入，经过2个gbdt和2个xgboost 分类处理后，获得4个二维类别向量；然后把这4个二维类别向量与多粒度扫描结构输出的特征向量相f
pca
拼接，产生一个[v
pca
+2
×
4]维的特征向量，这个新的特征向量作为第二层的输入；依次类推，第n-1层将产生[v
pca
+2
×
4]维的新的特征向量，作为第n 层的输入；最后，对第n层输出的类别向量求平均值，选择其中最大值所对应的类别作为扬尘图的最终分类结果。
[0029]
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
[0030]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。