一种基于改进Deam-Net的输变电设备巡检图像去噪方法及系统与流程
本发明属于图像处理与电力设备智能运维,尤其涉及一种基于改进deam-net的输变电设备巡检图像去噪方法及系统。
背景技术:
1、输变电设备(如绝缘子、导线、金具等)是电力系统安全稳定运行的关键基础设施。这些设备长期暴露于复杂的户外环境,易受污秽、覆冰、腐蚀等因素影响,产生缺陷隐患。传统的定期人工巡检方式效率低下、风险高,且难以实现精细化、实时化的状态评估。随着无人机(uav)和移动巡检终端的普及,基于视觉图像的智能巡检技术已成为重要发展方向。
2、然而,在实际巡检过程中,采集到的图像质量常受多种因素干扰:环境光照剧烈变化、传感器固有噪声、设备移动导致的运动模糊,以及背景(如树木、建筑、云层)复杂等。这些干扰使得图像中含有大量随机噪声和结构性伪影,导致设备轮廓模糊、关键纹理细节(如绝缘子伞裙边缘、金具连接处、细微裂纹)丢失或弱化。低质量的图像直接降低了后续基于深度学习的目标检测、缺陷识别及状态评估算法的准确性与可靠性。
3、现有的图像去噪方法主要分为两类:传统滤波方法和基于深度学习的方法。传统方法(如均值滤波、中值滤波、小波去噪等)虽能抑制部分噪声,但往往在平滑噪声的同时也模糊了图像中的高频边缘和细节信息,难以在噪声抑制与细节保留之间取得良好平衡,不适用于对结构保真度要求极高的输变电设备缺陷检测场景。
4、近年来,基于卷积神经网络(cnn)的深度学习去噪方法(如dncnn、ffdnet等)在自然图像去噪上取得了显著成果。部分研究尝试将其引入电力巡检领域。然而,输变电巡检图像具有其独特性:目标尺度多样(从大型绝缘子串到细小裂纹)、背景复杂且与目标纹理相似、噪声类型和强度随环境多变。现有通用去噪网络往往存在以下不足:1) 对图像高频结构信息(即边缘、纹理)的建模和利用能力不足,易导致去噪后图像过度平滑;2) 网络内部不同阶段或不同层次的特征交互不充分,未能有效分离“噪声分量”与“有用结构分量”;3)缺乏针对复杂背景和尺度变化的自适应注意力机制,难以在强噪声干扰下精确聚焦并增强设备关键区域。
5、因此,迫切需要一种专门面向输变电设备巡检场景的图像去噪方法,能够在强噪声和复杂背景下,有效抑制噪声的同时,最大程度地保留设备的结构细节和缺陷特征,为下游高级视觉任务提供清晰、可靠的输入。
技术实现思路
1、本发明旨在克服现有技术的不足,提供一种基于改进deam-net的输变电设备巡检图像去噪方法及系统。该方法通过对经典deam-net网络架构进行针对性改进,引入多阶段非线性重建、双向特征校正、高频信息增强及动态注意力等机制,显著提升了在复杂输变电巡检场景下的去噪性能和细节保真度。
2、第一方面,本发明提供一种基于改进deam-net的输变电设备巡检图像去噪方法,包括:
3、获取输变电设备巡检图像,并对所述输变电设备巡检图像添加高斯噪声,构建带噪声的训练样本;
4、构建改进的deam-net网络模型,所述deam-net网络模型包括输入层、多个非线性重建阶段以及输出层,其中每个非线性重建阶段依次包含nlo子网、权重融合模块及特征增强模块;所述特征增强模块包括双向空间-通道调整模块、高频交互与聚合模块、以及通道与空间动态注意力模块;
5、根据所述带噪声的训练样本对所述改进的deam-net网络模型进行训练,得到训练好的图像去噪模型;
6、将待去噪输变电设备巡检图像输入所述图像去噪模型,所述图像去噪模型输出与所述待去噪输变电设备巡检图像相对应的去噪图像。
7、第二方面,本发明提供一种基于改进deam-net的输变电设备巡检图像去噪系统,包括:
8、获取模块,配置为获取输变电设备巡检图像,并对所述输变电设备巡检图像添加高斯噪声,构建带噪声的训练样本;
9、构建模块,配置为构建改进的deam-net网络模型,所述deam-net网络模型包括输入层、多个非线性重建阶段以及输出层,其中每个非线性重建阶段依次包含nlo子网、权重融合模块及特征增强模块;所述特征增强模块包括双向空间-通道调整模块、高频交互与聚合模块、以及通道与空间动态注意力模块;
10、训练模块,配置为根据所述带噪声的训练样本对所述改进的deam-net网络模型进行训练,得到训练好的图像去噪模型;
11、输出模块,配置为将待去噪输变电设备巡检图像输入所述图像去噪模型,所述图像去噪模型输出与所述待去噪输变电设备巡检图像相对应的去噪图像。
12、第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于改进deam-net的输变电设备巡检图像去噪方法的步骤。
13、第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于改进deam-net的输变电设备巡检图像去噪方法的步骤。
14、本申请的基于改进deam-net的输变电设备巡检图像去噪方法及系统,首先构建改进的deam-net网络模型,该模型以噪声巡检图像为输入,依次通过四个非线性重建阶段进行去噪,每个阶段均包含nlo子网重建、权重融合及特定增强模块处理;其中,改进的核心在于引入了双向空间-通道调整模块进行特征双向校正,高频交互与聚合模块从频域增强结构细节,以及通道与空间动态注意力模块强化关键区域响应。随后利用数据集对网络进行训练得到去噪模型,最终可对实时采集的巡检图像进行高效去噪处理。本发明有效解决了复杂背景下输变电设备图像去噪时细节丢失与噪声抑制难以兼顾的问题,显著提升了图像质量与后续缺陷检测的精度,为电力系统智能巡检提供了可靠的技术支撑。
1.一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,包括:
2.根据权利要求1所述的一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,所述改进的deam-net网络模型的处理流程具体包括:
3.根据权利要求2所述的一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,所述将第一融合特征输入双向空间-通道调整模块,进行双向的空间位置校正与通道权重重标定,输出第一阶段校正特征包括:
4.根据权利要求2所述的一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,所述高频交互与聚合模块包括dct空间交互路径、dct通道交互路径和通道注意力分支;
5.根据权利要求2所述的一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,所述将第三融合特征输入通道与空间动态注意力模块,进行自适应通道重标定与动态空间注意加权,输出第三阶段强化特征包括:
6.根据权利要求1所述的一种基于改进deam-net的输变电设备巡检图像去噪方法,其特征在于,所述改进的deam-net网络模型在训练阶段采用的损失函数的表达式为:
7.一种基于改进deam-net的输变电设备巡检图像去噪系统,其特征在于,包括:
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com