基于深度學(xué)習(xí)的電力圖像目標(biāo)自動識別方法

張 蕾，白萬榮，陳佐虎，魏 峰，張珍芬

（1.國網(wǎng)甘肅省電力公司電力科學(xué)研究院，甘肅蘭州 730070；2.甘肅同興智能科技發(fā)展有限責(zé)任公司，甘肅 蘭州 730050）

深度學(xué)習(xí)理論要求在可視層結(jié)構(gòu)中，每一個神經(jīng)節(jié)點都與一個輸入數(shù)據(jù)的特性信息一一對應(yīng)，而對于可視層的隱藏層結(jié)構(gòu)而言，在已知網(wǎng)絡(luò)層節(jié)點排列順序的情況下，任何一個其他層次節(jié)點都可以被看作是獨立存在的。因此，為了保證可視層輸入?yún)?shù)的計算準(zhǔn)確性，需要在已知隱藏輸入信息的基礎(chǔ)上，對神經(jīng)節(jié)點的數(shù)量級水平進(jìn)行實時統(tǒng)計，再聯(lián)合各層級結(jié)構(gòu)中的訓(xùn)練系數(shù)指標(biāo)項，得到最終的參數(shù)計算結(jié)果[1-2]。與其他應(yīng)用算法相比，深度學(xué)習(xí)理論能夠根據(jù)隱藏輸入信息推斷可視層結(jié)構(gòu)中的輸出結(jié)果，并可在計算過程中，建立一種全新的數(shù)據(jù)特征表達(dá)方式，這也是該算法能夠?qū)鬏斝畔⑦M(jìn)行實時調(diào)度的主要原因。

受到成像對象、成像環(huán)境、成像儀表等外在因素的影響，識別設(shè)備所捕獲到的電力圖像往往與其原始成像之間具有一定的差異性，且在配電網(wǎng)環(huán)境中，這種行為極易使輸出電信號受到強(qiáng)烈的擾動。基于改進(jìn)Faster-RCNN 的定位方法針對灰度值較高區(qū)域內(nèi)的電力圖像進(jìn)行對比，再根據(jù)非線性計算原理，確定該區(qū)域圖像所屬的實際位置[3]。然而該方法的作用能力有限，并不能有效抑制電力目標(biāo)節(jié)點處的功率數(shù)值下降趨勢，因此對于電信號擾動行為的抵抗能力相對有限。為更好解決上述問題，引入深度學(xué)習(xí)理論，設(shè)計一種新型電力圖像目標(biāo)自動識別方法。

1 電力設(shè)備的圖像增強(qiáng)

電力設(shè)備圖像增強(qiáng)包含圖像均值信息獲取、灰度變換、顏色還原三個處理環(huán)節(jié)，具體操作方法如下。

1.1 圖像的均值信息獲取

為了能夠?qū)﹄娏D像中的目標(biāo)節(jié)點進(jìn)行有效的增強(qiáng)處理，需要著重考慮核心像素點周圍的鄰域信息參量，也就是固定節(jié)點處的像素參量及其周圍節(jié)點處的像素信息。借助深度學(xué)習(xí)理論對電力圖像的均值信息進(jìn)行計算，首先需要建立輸出電量信號的序列集合，再根據(jù)權(quán)重系數(shù)，計算圖像內(nèi)亮度信息的乘積表達(dá)形式。一般情況下，權(quán)重系數(shù)的定義值越大，圖像內(nèi)亮度信息的乘積表達(dá)形式也就越清晰，整幅圖像的邊緣連線也就越平滑[4-5]。設(shè)電力圖像的核心像素點坐標(biāo)為O(x0,y0)，在橫向區(qū)域系數(shù)e1≠0、縱向區(qū)域系數(shù)e2≠0 不等式條件恒成立的情況下，可將電力圖像均值信息的獲取表達(dá)式定義為：

式中，λ表示輸出電量信號的權(quán)重系數(shù)，x1、x2表示兩個不同的像素點橫坐標(biāo)，y1、y2表示兩個不同的像素點縱坐標(biāo)。為了更好應(yīng)對電力圖像均值信息的表達(dá)問題，在深度學(xué)習(xí)理論應(yīng)用過程中，必須保留已知的邊緣節(jié)點像素信息參量。

1.2 灰度變換

灰度變換是配電信號處理中圖像增強(qiáng)的關(guān)鍵處理步驟之一，能夠改善原始電力圖像的實時顯示效果。經(jīng)過灰度變換處理之后，目標(biāo)節(jié)點在電力圖像中的波動范圍會不斷增大，與此同時，也會使得電力圖像的灰度值對比度參量得到擴(kuò)展[6]。在深度學(xué)習(xí)算法的作用下，灰度變換屬于一種點運算處理方法，其應(yīng)用本質(zhì)是在指定的動態(tài)范圍內(nèi)，計算與目標(biāo)像素點匹配的灰度值系數(shù)，再通過改變初始范圍條件的方式，實現(xiàn)對計算結(jié)果精度值的不斷約束[7]。若將原始電力圖像記為a(x,y)，像素的灰度取值范圍為[α,β]；變換后的電力圖像記為a＇(x＇,y＇)，像素的灰度取值范圍為[α＇,β＇]，則可將灰度變換表達(dá)式定義為：

一般來說，根據(jù)電力圖像目標(biāo)自動識別映射函數(shù)的不同，灰度變換處理又可以繼續(xù)細(xì)化為線性灰度變換、非線性灰度變換、分段線性灰度變換等多種不同的表現(xiàn)形式。

1.3 顏色還原

顏色還原可將呈現(xiàn)為灰度狀態(tài)的電力圖像再次還原為彩色狀態(tài)，根據(jù)目標(biāo)節(jié)點所表現(xiàn)出明暗程度的不同，電力圖像邊緣的平滑水平也會有所不同[8-9]。規(guī)定r1、r2、…、rn分別代表n個不同的色彩分量，在還原標(biāo)度系數(shù)ε=0.01 的情況下，聯(lián)立式（2），可將電力圖像的顏色還原表達(dá)式定義為：

式中，φ表示電力圖像中灰度目標(biāo)節(jié)點的取值系數(shù)。對于電力圖像而言，同時已知灰度變換法則與顏色還原法則，就可以實現(xiàn)對原始圖像中目標(biāo)節(jié)點的增強(qiáng)處理。

2 基于深度學(xué)習(xí)的目標(biāo)自動識別

根據(jù)電力設(shè)備的圖像增強(qiáng)原理，按照圖像目標(biāo)標(biāo)簽校正、邊緣特征分割、識別節(jié)點匹配的處理流程，實現(xiàn)基于深度學(xué)習(xí)的電力圖像目標(biāo)自動識別方法的順利應(yīng)用。

2.1 電力圖像的目標(biāo)標(biāo)簽校正

利用目標(biāo)標(biāo)簽的電力圖像校正方法，其理論依據(jù)就是利用深度學(xué)習(xí)算法，對圖像中的節(jié)點對象進(jìn)行透視變換處理。在圖1 所示的深度學(xué)習(xí)網(wǎng)絡(luò)中，輸入層節(jié)點個數(shù)決定了電力圖像目標(biāo)標(biāo)簽的輸入數(shù)量，為保證灰度變換與顏色還原理論的順利應(yīng)用，所設(shè)置的輸入層節(jié)點個數(shù)不宜過多[10]。隱藏層節(jié)點決定了目標(biāo)標(biāo)簽所具備的圖像標(biāo)記能力，該層節(jié)點結(jié)構(gòu)不具備自主變化的能力，數(shù)量水平會隨著輸入層節(jié)點數(shù)量的增減而不斷變化[11]。輸出層節(jié)點只負(fù)責(zé)輸出經(jīng)過目標(biāo)標(biāo)簽標(biāo)記后的電力圖像信息。

圖1 深度學(xué)習(xí)網(wǎng)絡(luò)示意圖

設(shè)代表單位時間內(nèi)的電阻率均值，f代表電阻接入系數(shù)，ΔT表示電力圖像目標(biāo)識別的單位作用時長，D代表輸入層節(jié)點的實際接入個數(shù)，聯(lián)立式（3），可將電力圖像的目標(biāo)標(biāo)簽校正條件表示為：

果然，僅用了10天時間，程曉就諳熟了市場營銷的相關(guān)專業(yè)知識，半個月后就做成了一張大單，個人獲得5000元的報酬。程曉發(fā)現(xiàn)，在當(dāng)今這個金錢社會里，要當(dāng)好一名成功的營銷員，其實口才加專業(yè)知識加客戶資源往往也只占一半，另一半要靠一副好的“行頭。而擴(kuò)大客戶資源，就要廣交圈內(nèi)人士，就必須經(jīng)常出入一些重要場所，比如行業(yè)內(nèi)的聚會和主題Party，進(jìn)入這些場合，也必須要有好的“行頭”，人家才會信任你，高看你，所以，擁有成功人士的行頭，往往可能已經(jīng)成功了一大半！

為了便于后續(xù)識別指令的執(zhí)行，校正后的目標(biāo)標(biāo)簽必須對電力圖像中的所有節(jié)點進(jìn)行標(biāo)記。

2.2 邊緣特征分割

經(jīng)過目標(biāo)標(biāo)簽的校正處理后，電力圖像中大部分內(nèi)容都可以被識別主機(jī)直接檢測出來，但對于非光滑區(qū)域的邊緣特征而言，其目標(biāo)點處的圖像信息極易被周圍像素點掩蓋[12-13]。而邊緣特征分割機(jī)制的存在，不但剔除了不相干的像素點組織，也對待識別電力圖像的邊緣節(jié)點進(jìn)行了平滑處理，在此過程中，電力目標(biāo)節(jié)點處損失的功率數(shù)值能夠得到大量補充，這也是功率數(shù)值下降趨勢能夠得到有效抑制的主要原因。在分割之前，有必要將所有不滿足深度學(xué)習(xí)需求的電力圖像目標(biāo)節(jié)點全部剔除，一方面將光滑區(qū)域的邊緣特征與非光滑邊緣特征較好融合；另一方面也可將電力目標(biāo)節(jié)點處的功率數(shù)值損失量控制在既定水平標(biāo)準(zhǔn)內(nèi)[14]。設(shè)pmin代表電力目標(biāo)節(jié)點處的功率數(shù)值損失量最小值，pmax代表損失量最大值，c0代表電力圖像邊緣特征的起始判定條件，kc0代表c0判定條件下的電力圖像目標(biāo)分割特征值，ξ代表電力圖像光滑區(qū)域內(nèi)的像素點判定系數(shù)，聯(lián)立式（4），可將電力圖像目標(biāo)的邊緣特征分割條件表示為：

在深度學(xué)習(xí)網(wǎng)絡(luò)中，當(dāng)目標(biāo)標(biāo)簽與邊緣特征點距離較近時，電力圖像邊緣區(qū)域的光滑性程度也就越高。

2.3 識別節(jié)點匹配

識別節(jié)點匹配是電力圖像目標(biāo)自動識別方法設(shè)計的末尾處理環(huán)節(jié)，可在深度學(xué)習(xí)理論的支持下，對已知的邊緣特征分割結(jié)果進(jìn)行深度加工，一方面建立電力圖像目標(biāo)與標(biāo)簽結(jié)構(gòu)之間的映射連接關(guān)系；另一方面也可以實現(xiàn)對灰度變換法則與顏色還原法則的繼續(xù)加工[15-16]。設(shè)δ1、δ2代表兩個不同的電力圖像目標(biāo)節(jié)點定義系數(shù)，m代表目標(biāo)標(biāo)簽的匹配權(quán)限值，聯(lián)立式（5），可將識別節(jié)點匹配結(jié)果表示為：

其中，ω表示電力圖像目標(biāo)的識別映射系數(shù)，ΔA表示單位時間內(nèi)的圖像目標(biāo)節(jié)點識別總量，lˉ表示圖像信息的識別均值量。在深度學(xué)習(xí)網(wǎng)絡(luò)的影響下，電力圖像識別節(jié)點匹配處理必須以標(biāo)簽校正原則為基礎(chǔ)，在準(zhǔn)確分割邊緣特征參量的同時，實現(xiàn)對目標(biāo)節(jié)點處功率數(shù)值下降趨勢的有效控制。

3 實例分析

在配電網(wǎng)環(huán)境中，隨著電信號輸出量的增大，目標(biāo)節(jié)點處電力圖像所呈現(xiàn)出的變現(xiàn)形式也會不斷改變，在此情況下，由于電量感應(yīng)行為的變化，該節(jié)點處的電功率數(shù)值會出現(xiàn)一定程度的下降，且這種功率數(shù)值下降趨勢，勢必會使電信號輸出行為受到擾動影響，一般來說，電功率數(shù)值的下降趨勢越明顯，電信號輸出行為所受到的擾動影響也就越強(qiáng)烈。

分析圖2 可知，隨著實驗時間的延長，目標(biāo)識別節(jié)點處的電功率數(shù)值會出現(xiàn)兩次明顯的下降趨勢，第一次數(shù)值下降行為出現(xiàn)在5～10 min，第二次數(shù)值下降行為出現(xiàn)在10～15 min，且第一次的下降幅度明顯高于第二次。

圖2 常規(guī)電功率數(shù)值

截取第一次下降時、第二次下降時的常規(guī)電功率數(shù)值作為實驗對象，分別利用深度學(xué)習(xí)網(wǎng)絡(luò)與Faster-RCNN 模型對以獲取的電功率數(shù)值進(jìn)行處理，其中前者作為實驗組，后者作為對照組。

圖3、圖4 反映了實驗組、對照組電功率數(shù)值與理想數(shù)值的對比情況。

圖3 5～10 min電力圖像目標(biāo)識別曲線圖

分析圖3 可知，在5～10 min 時間內(nèi)，實驗組、對照組電功率的實測數(shù)值均低于理想數(shù)值，但對照組的數(shù)值下降趨勢更加明顯，整個實驗過程中，對照組最大值僅能達(dá)到189 W，與理想最大值276 W 相比，下降了87 W；實驗組最大值達(dá)到了254 W，與理想最大值276 W 相比，僅下降了22 W。

分析圖4 可知，在10～15 min 的實驗時間內(nèi)，實驗組、對照組的電功率實測數(shù)值也始終低于理想數(shù)值，相較于實驗組而言，對照組的數(shù)值下降趨勢更為明顯。整個實驗過程中，實驗組電功率最大值達(dá)到了182 W，與理想最大數(shù)值197 W 相比，下降了15 W；對照組電功率最大值卻僅能達(dá)到100 W，與理想最大數(shù)值197 W 相比，下降了97 W。

圖4 10～15 min電力圖像目標(biāo)識別曲線圖

綜上可知，應(yīng)用基于深度學(xué)習(xí)的識別方法、改進(jìn)Faster-RCNN 型定位方法后，電力目標(biāo)節(jié)點處的功率數(shù)值下降趨勢均不會發(fā)生改變，但明顯前者對于這種下降行為的抑制性作用能力更強(qiáng)，可有效縮小電功率最大值與理想最大值之間的差值水平，從而避免配電網(wǎng)環(huán)境中出現(xiàn)強(qiáng)烈擾動的信號量輸出情況。

4 結(jié)束語

與改進(jìn)Faster-RCNN 型的定位方法相比，新型電力圖像目標(biāo)自動識別方法在深度學(xué)習(xí)網(wǎng)絡(luò)的作用下，結(jié)合灰度變換、顏色還原理論，在準(zhǔn)確獲取圖像均值信息的同時，對目標(biāo)標(biāo)簽進(jìn)行校正處理，且由于邊緣特征分割權(quán)限量的存在，各類識別節(jié)點能夠得到較好匹配，不但解決了實際電力圖像與其原始成像之間的差異性問題，也可較好安排目標(biāo)節(jié)點所處的實時位置。從實用性角度來看，在實際應(yīng)用過程中，電力目標(biāo)節(jié)點處的功率數(shù)值下降趨勢得到了有效控制，能夠避免輸出信號受到強(qiáng)烈的擾動影響，對維持配電網(wǎng)信號的傳輸穩(wěn)定性起到一定的促進(jìn)性作用。