本发明涉及数字图像处理,尤其涉及用于电力图像的雨纹去除方法、系统、存储介质及设备。
背景技术:
1、随着我国经济的高速发展,电网建设规模和速度都处于世界前列,目前,我国南方、西北、华东、华中、华北和东北六大电网的输电线路总长-度已超过115万公里,其中500kv及以上的输电线路成为各区电网输电的主力。
2、大部分输电线路分布在偏远山区,具有点分布多、面积广等特点,这些输电线路长期暴露在恶劣的自然环境中,容易出现断裂、磨损、锈蚀等安全隐患,因此,定期对输电线路进行巡检和勘查,实时了解和掌握其现场情况,成为至关重要的工作。
3、传统的电力巡检主要依靠人工勘查,通过电力工人在现场对输电线路中的电塔、输电线、绝缘子等高压电力器件进行检测和维护,以确保供电系统的正常运行;然而,在偏远山区执行巡检任务时,巡检人员只能通过望远镜观察远处,或者攀爬进入山区的基塔进行检查;这种人工巡检方式效率低、劳动强度大、安全性低,并且存在视野盲区难以检测的问题。
技术实现思路
1、基于此,有必要针对上述问题,提出了一种用于电力图像的雨纹去除方法。
2、一种用于电力图像的雨纹去除方法,所述方法包括下列步骤:
3、采集电力系统中的实际巡检图像,获取电力图像;
4、根据特征聚合模块fam、连续残余通道注意模块rca和融合模块构建去雨网络模型;
5、利用所述电力图像获取若干个特征,并确定目标函数l;
6、根据所述目标函数l对去雨网络模型进行优化;
7、根据优化后的去雨网络模型确定电力图像去除雨纹后的图像。
8、上述方案中,所述目标函数l通过平滑损失、尺度结构相似性损失、对抗损失和感知损失确定,具体包括:
9、l=ω1ll1+ω2lms-ssim+ω3ladv+ω4lvgg;其中,ω1、ω2、ω3和ω4是超参数、ll1为平滑损失、lms-ssim为尺度结构相似性损失、ladv为对抗损失、lvgg为感知损失。
10、上述方案中,所述平滑损失ll1由下列公式确定:
11、
12、
13、其中,y为被保留的图、y为相应的真底图像、i为像素指数、n为总像素数。
14、上述方案中,所述尺度结构相似性损失lms-ssim由下列公式确定:
15、
16、lms-ssim=1-ssim(y,y)
17、其中,y为被保留的图像、y为相应的真底图像、μy和μy为对y和y高斯滤波后的均值、σy和σy为对应的标准差、σyy为协方差、c1和c2为常数。
18、上述方案中,所述对抗损失ladv由下列公式确定:
19、
20、其中,d(·)为鉴别器、y为去雨纹图像、d(y)表示去雨纹图像是真实图像的概率。
21、上述方案中,所述感知损失lvgg由下列公式确定:
22、
23、其中,y和y分别为真实图像和去雨图像、ci*hi*wi为特征图的大小、hi和wi分别为第i个特征图的高度和宽度、ci为通道。
24、上述方案中,所述根据所述目标函数l对去雨网络模型进行优化,具体包括:
25、对所述电力系统中的实际巡检图像进行预处理;
26、将预处理后的实际巡检图像保存至数据库;
27、从所述数据库中获取图形特征,构成目标函数l;
28、利用所述目标函数l对所述图像去雨网络模型进行训练,直至训练损失函数达到阈值要求。
29、上述方案中,所述根据优化后的去雨网络模型确定电力图像去除雨纹后的图像,之后,还包括:
30、通过峰值信噪比psnr和结构相似度ssim确定电力图像去除雨纹的效果。
31、本申请还提出了一种用于电力图像的雨纹去除系统,所述系统包括:图像获取单元、目标函数获取单元、训练单元和测试单元;
32、所述图像获取单元,用于采集电力系统中的实际巡检图像;
33、所述目标函数获取单元,用于利用所述实际巡检图像获取特征,并确定目标函数l;
34、所述训练单元,用于根据所述目标函数l训练图像去雨网络模型;
35、所述测试单元,用于根据所述去雨网络模型获取电力图像去除雨纹后的图像。
36、本申请还提出了一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
37、采集电力系统中的实际巡检图像,获取电力图像;
38、根据特征聚合模块fam、连续残余通道注意模块rca和融合模块构建去雨网络模型;
39、利用所述电力图像获取若干个特征,并确定目标函数l;
40、根据所述目标函数l对去雨网络模型进行优化;
41、根据优化后的去雨网络模型确定电力图像去除雨纹后的图像。
42、本申请还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行如下步骤:
43、采集电力系统中的实际巡检图像,获取电力图像;
44、根据特征聚合模块fam、连续残余通道注意模块rca和融合模块构建去雨网络模型;
45、利用所述电力图像获取若干个特征,并确定目标函数l;
46、根据所述目标函数l对去雨网络模型进行优化;
47、根据优化后的去雨网络模型确定电力图像去除雨纹后的图像。
48、采用本发明实施例,具有如下有益效果:先采集电力系统中的实际巡检图像,获取电力图像;根据特征聚合模块fam、连续残余通道注意模块rca和融合模块构建去雨网络模型;利用所述电力图像获取若干个特征,并确定目标函数l;根据所述目标函数l对去雨网络模型进行优化;最后根据优化后的去雨网络模型确定电力图像去除雨纹后的图像;本发明基于构建去雨网络模型并对其进行优化,最后使用优化后的去雨网络模型对无人机巡检采集的有雨巡检图像进行恢复,结合了深度学习模型和目标函数,能够将更多维的参数进行考虑,提高无人机巡检采集的有雨巡检图像的恢复效率,通过提高巡检图像的质量和可用性,可以提高电力系统的安全性和稳定性,同时也能够提高工作效率和决策的准确性。
1.一种用于电力图像的雨纹去除方法,其特征在于,所述方法包括下列步骤:
2.根据权利要求1所述的用于电力图像的雨纹去除方法,其特征在于,所述目标函数l通过平滑损失、尺度结构相似性损失、对抗损失和感知损失确定,具体包括:
3.根据权利要求2所述的用于电力图像的雨纹去除方法,其特征在于,所述平滑损失ll1由下列公式确定:
4.根据权利要求3所述的用于电力图像的雨纹去除方法,其特征在于,所述尺度结构相似性损失lms-ssim由下列公式确定:
5.根据权利要求4所述的用于电力图像的雨纹去除方法,其特征在于,所述对抗损失ladv由下列公式确定:
6.根据权利要求5所述的用于电力图像的雨纹去除方法,其特征在于,所述感知损失lvgg由下列公式确定:
7.根据权利要求1所述的用于电力图像的雨纹去除方法,其特征在于,所述根据所述目标函数l对去雨网络模型进行优化,具体包括:
8.根据权利要求7所述的用于电力图像的雨纹去除方法,其特征在于,所述根据优化后的去雨网络模型确定电力图像去除雨纹后的图像,之后,还包括:
9.一种用于电力图像的雨纹去除系统,其特征在于,所述系统包括:图像获取单元、目标函数获取单元、训练单元和测试单元;
10.一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一一项所述方法的步骤。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一一项中所述方法的步骤。