[发明专利]一种基于深度学习的变电站风漂物识别方法及系统

说明书

本发明涉及一种基于深度学习的变电站风漂物识别方法及系统，方法包括：图像预处理，接收变电站视频图像输入，并对视频图像进行去噪和增强以提高目标与背景的对比度；数据格式处理，将预处理后的图像转换成以二进制存储的TFRecord文件；图像识别，基于方向梯度直方图和支持向量机的图像分类算法构建变电站风漂物识别模型；基于训练好的变电站风漂物识别模型对数据格式处理后的视频图像进行处理，获得识别结果。本发明将识别问题转化为目标‑非目标的分类问题，能够准确地提取特征，且能适应复杂多变的环境背景，实现了智能图像分析，能够提升现有视频图像监控技术水平，保障变电站安全可靠的运行。

技术领域

本发明涉及变电站智能巡检技术领域，特别涉及一种基于深度学习的变电站风漂物识别方法及系统。

背景技术

目前，变电站均实现了视频图像全覆盖，并采用人工或部分自动视频巡检方式进行实时监控。然而，这一方式造成监视人员疲乏，效率低下，不能及时发现输电线路及周边出现的异常情况，因此采用智能自动巡检的方式是必然发展趋势。在变电站安全范围内出现风飘物是造成变电站发生故障的重要原因之一。风飘物多为塑料或化纤材质，种类繁多且形状不固定，如塑料薄膜、广告条幅、尼龙布、气球、风筝等。特别在春秋多风季节，飘浮物容易缠绕于输电线、刀闸、杆塔等上，造成输电线路相间短路、单相接地等故障，甚至引起电网大面积停电。因此，风飘物是变电站图像智能分析系统的重点监控对象。

传统的图像识别方法主要采用图像分割法，利用像素强度和频率信息自适应构建权重，基于图像边缘识别提取粗边缘点，通过相邻边缘点间的距离差异进行判别，对边缘各强度分段回归分析从而识别飘浮物。但是，现有变电站监控系统所拍摄的场景中，图像背景复杂且焦距固定，导致飘浮物的图像特征不明显、比例过小，传统的边缘特征识别难以有效地识别飘浮物。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于深度学习的变电站风漂物识别方法及系统，能够提升现有视频图像监控技术水平，保障变电站安全可靠的运行。

本发明解决其技术问题所采用的技术方案是：

一方面，本发明一种基于深度学习的变电站风漂物识别方法，包括：

图像预处理，接收变电站视频图像输入，并对视频图像进行去噪和增强以提高目标与背景的对比度；

数据格式处理，将预处理后的图像转换成以二进制存储的TFRecord文件；

图像识别，基于方向梯度直方图和支持向量机的图像分类算法构建变电站风漂物识别模型；基于训练好的变电站风漂物识别模型对数据格式处理后的视频图像进行处理，获得识别结果。

优选的，所述图像预处理包括：

通过对图像进行灰度变换，得到含有噪声的梯度图像，然后利用小概率策略和最大类间误差法准则对图像进行分割，得到目标和背景两个部分，再采用不同阶次的分数阶微积分掩模对各个区域进行处理，得到自适应去噪和增强后的图像。

优选的，所述变电站风飘物识别模型的训练过程包括：

(1)归一化处理，采用Gamma校正法对包括正常运行状态和含有漂浮物状态的训练样本的变电站图像进行颜色空间的标准化；

(2)基于方向梯度直方图和支持向量机的方法计算图像每个像素的梯度以捕获轮廓信息；

(3)将变电站图像划分成若干个的胞元区域，每个胞元为8*8个像素，并统计每个胞元的梯度直方图形成其特征描述；

(4)利用2*2个胞元组成一个块区域，将每个块区域内所有胞元的特征描述进行串联得到这一块区域的HOG特征描述；

(5)将变电站图像内的所有块区域的HOG特征描述串联起来得到每幅变电站图像的总特征描述以供分类使用；