一种基于AI深度学习的多功能电力图像智能分析装置的制作方法

一种基于ai深度学习的多功能电力图像智能分析装置
技术领域
1.本发明涉及电力系统技术领域，特别涉及一种基于ai深度学习的多功能电力图像智能分析装置。


背景技术：

2.随着人工智能技术的发展与推进，利用深度学习的图像识别方法在电力故障诊断中的研究正逐步引起重视。与传统机器学习不同的是，深度学习需要海量的正样本来进行训练，供机器学习到足够的特征来实现举一反三，从而防止数据集量过小容易出现过拟合的现象。而由于直升机、无人机和智能机器人推广应用的时间并不长，部分故障类型的图像数据采集量小，无法满足深度学习的需求。
3.由于受到成像仪、成像环境以及成像对象本身特点等诸多因素的影响，捕获的设备图像与原始设备之间往往会形成差异，导致所获得的图像质量明显下降，图像质量不佳会增加图像处理过程中的无用信息，减少有用信息，最终影响识别结果。


技术实现要素：

4.有鉴于现有技术存在的缺陷，本发明所要解决的技术问题是，提供一种基于ai深度学习的多功能电力图像智能分析装置，旨在对采集的图像进行增强，改善图像的质量，提高电力图像的识别准确度。
5.为实现上述目的，本发明提供一种基于ai深度学习的多功能电力图像智能分析装置，所述装置包括：
6.图像采集模块，用于实时采集电力系统现场的待检测电力图像；
7.图像降噪模块，用于对所述待检测电力图像进行降噪处理；其中，基于均值滤波算法对所述待检测电力图像进行降噪处理；
8.图像预处理模块，用于对降噪处理后的所述待检测电力图像进行一次分割，形成设备边缘图；确定所述设备边缘图中各个核心区φ
i
；其中，i为正整数；
9.区域生长模块，用于对各个所述核心区φ
i
进行生长，得到与各个所述核心区φ
i
相对应的控制区其中，各个相邻的所述控制区生长至边缘重合；
10.灰度映射增强对比度模块，用于依次对各个所述核心区φ
i
内的各个像素点的初始灰度值映射为第一中间灰度值以增强区域对比度；其中，在后映射处理的所述核心区φ
i
与在先映射处理的所述核心区φ
i
的边缘重合区域的所述第一中间灰度值以在先映射处理的所述核心区φ
i
的所述边缘重合区域的所述第一中间灰度值为准；增强区域对比度后，所述第一中间灰度值的值域大于所述初始灰度值的值域；
11.目标图像识别模块，用于对经所述灰度映射增强对比度模块进行对比度增强所得到的所述设备边缘图进行目标图像识别，并对所述设备边缘图进行二次分割，得到所述目标图像；
12.图像特征提取与识别模块，用于识别所述目标图像并提取所述目标图像的特征区
域；
13.设备识别模块，用于通过所述目标图像的所述特征区域对所述待检测电力图像进行识别分类，得到与所述待检测电力图像所对应的电力设备图；
14.对比分析模块，用于对所述设备边缘图和所述电力设备图进行对比分析，得到所述待检测电力图像所对应的电力设备所存在的故障。
15.在该技术方案中，通过对待检测电力图像进行降噪、对待检测电力图像进行一次分割形成设备边缘图、对核心区φ
i
进行生长、对各个所述核心区φ
i
内的各个像素点的初始灰度值映射为第一中间灰度值等处理，均有效增强图像的有用部分的信息，减少图像中无用部分的信息；既能提高电力图像的对比度，还能有效保护电力图像的边缘信息和细节信息，有效的对采集的图像进行增强，改善图像的质量，提高电力图像的识别准确度，增加后续故障识别的辨识度，有效提高电力系统故障诊断效率。
16.在一具体实施方式中，所述区域生长模块的生长方式为：
17.获取各个所述核心区φ
i
的所述控制区的当前边界像素点，并根据所述当前边界像素点的轮廓依次向外生长一个像素，直至与相邻的另一所述控制区边缘相邻；其中，各个所述控制区包含所述核心区φ
i
。
18.在一具体实施方式中，所述灰度映射增强对比度模块具体包括：
19.起始控制区映射单元，用于选定所述控制区中的起始控制区获取所述起始控制区的灰度值范围，并对所述起始控制区以所述灰度值范围映射为n倍，将以映射的所述起始控制区标记为已入库控制区；其中，0＜j＜i，n为大于1的正整数；映射时，所述起始控制区的映射基准包括：保持所述灰度值范围的最小值的灰度值不变；
20.在后控制区映射单元，用于选定与至少一所述已入库控制区相邻且未标记为所述已入库控制区的待入库控制区将所述待入库控制区的灰度范围扩展映射为n倍，并在映射之后将所述待入库控制区标记为已入库控制区；其中，映射时，所述待入库控制区的映射基准包括：所述待入库控制区与各个所述已入库控制区的边界区域的灰度值的映射以各个所述已入库控制区为基准；所述待入库控制区属于所述控制区0＜k＜i且k≠j；
21.灰度值归一化映射单元，用于在完成各个所述控制区的映射之后，将各个所述已入库控制区的灰度值映射至标准图像灰度值。
22.在一具体实施方式中，所述待检测电力图像一次分割的方式为：
23.1)、计算灰度值为m的像素在所述待检测电力图像中出现的概率p
m
；其中，q
m
为灰度值为m的像素出现的总次数，h和w分别为所述待检测图像的高和宽；
24.2)、给定一个阈值t，将图像分成目标区域o和背景区域b，所述目标区域o和所述背景区域b的概率定义分别如下：
25.其中，p
o
(t) p
b
(t)＝1；
26.3)、分别计算所述目标区域o和所述背景区域b的熵h0(t)和h
b
(t)；其中，
27.4)、计算所述待检测电力图像的熵函数：h(t)＝h
o
(t) h
b
(t)，
28.所述熵函数取得最大值是对应的灰度值即为最佳阈值：
29.t
*
＝argmaxh(t) 0≤t≤255；
30.5)、使用所得到的阈值t
*
对所述待检测电力图像进行分割，可以得到所述设备边缘图和背景图，对所述设备边缘图进行简单的形态学操作，排除一些独立的不连续的区域，并对所述设备边缘图与所述待检测电力图像进行叠加操作，通过这种操作方式得所述待检测电力图像中的设备边缘图。
31.在一具体实施方式中，在对所述目标图像进行识别与分割之前，应先对所述设备边缘图进行目标检测以确定可能存在的目标区域。
32.在一具体实施方式中，所述对比分析模块通过ar投影的方式对所述设备边缘图和所述电力设备图进行对比分析；将所述电力设备图通过ar设备投影至所述待检测电力图像相对应的所述电力设备前方，使得所述电力设备图与所述电力设备重合，从而确定所述电力设备所存在的故障。
33.在该技术方案中，通过ar投影的方式，更加直观的获知所述设备边缘图和所述电力设备图存在的差异，能够更精确的定位所述电力设备存在故障的部位。
34.在一具体实施方式中，所述目标图像识别模块中目标图像识别是基于所述设备边缘图的主要特征进行目标识别的。
35.在该技术方案中，不同的电力设备具有不同的主要特征用于区分电力设备的类别，通过所述设备边缘图的主要特征有效对所述设备边缘图进行目标图像识别。
36.本发明的有益效果是：在本发明中，通过对待检测电力图像进行降噪、对待检测电力图像进行一次分割形成设备边缘图、对核心区φ
i
进行生长、对各个所述核心区φ
i
内的各个像素点的初始灰度值映射为第一中间灰度值等处理，均有效增强图像的有用部分的信息，减少图像中无用部分的信息；既能提高电力图像的对比度，还能有效保护电力图像的边缘信息和细节信息，有效的对采集的图像进行增强，改善图像的质量，提高电力图像的识别准确度，增加后续故障识别的辨识度，有效提高电力系统故障诊断效率。
附图说明
37.图1为本发明一具体实施方式中一种基于ai深度学习的多功能电力图像智能分析装置的结构框图；
38.图2为本发明一具体实施方式中核心区的生长示意图；
39.图3为本发明一具体实施方式中起始控制区灰度值的映射图；
40.图4为本发明一具体实施方式中以一个已入库控制区为基准的待入库控制区的灰
度值的映射图；
41.图5为本发明一具体实施方式中以相邻已入库控制区为基准的待入库控制区的灰度值的映射图。
具体实施方式
42.下面结合附图和实施例对本发明作进一步说明：
43.如图1
‑
5所示，在本发明的具体实施例中，提供一种基于ai深度学习的多功能电力图像智能分析装置，所述装置包括：
44.图像采集模块100，用于实时采集电力系统现场的待检测电力图像；
45.图像降噪模块200，用于对所述待检测电力图像进行降噪处理；其中，基于均值滤波算法对所述待检测电力图像进行降噪处理；
46.图像预处理模块300，用于对降噪处理后的所述待检测电力图像进行一次分割，形成设备边缘图；确定所述设备边缘图中各个核心区φ
i
；其中，i为正整数；
47.区域生长模块400，用于对各个所述核心区φ
i
进行生长，得到与各个所述核心区φ
i
相对应的控制区其中，各个相邻的所述控制区生长至边缘重合；
48.灰度映射增强对比度模块500，用于依次对各个所述核心区φ
i
内的各个像素点的初始灰度值映射为第一中间灰度值以增强区域对比度；其中，在后映射处理的所述核心区φ
i
与在先映射处理的所述核心区φ
i
的边缘重合区域的所述第一中间灰度值以在先映射处理的所述核心区φ
i
的所述边缘重合区域的所述第一中间灰度值为准；增强区域对比度后，所述第一中间灰度值的值域大于所述初始灰度值的值域；
49.目标图像识别模块600，用于对经所述灰度映射增强对比度模块500进行对比度增强所得到的所述设备边缘图进行目标图像识别，并对所述设备边缘图进行二次分割，得到所述目标图像；
50.图像特征提取与识别模块700，用于识别所述目标图像并提取所述目标图像的特征区域；
51.设备识别模块800，用于通过所述目标图像的所述特征区域对所述待检测电力图像进行识别分类，得到与所述待检测电力图像所对应的电力设备图；
52.对比分析模块900，用于对所述设备边缘图和所述电力设备图进行对比分析，得到所述待检测电力图像所对应的电力设备所存在的故障。
53.在本实施例中，所述区域生长模块400的生长方式为：
54.获取各个所述核心区φ
i
的所述控制区的当前边界像素点，并根据所述当前边界像素点的轮廓依次向外生长一个像素，直至与相邻的另一所述控制区边缘相邻；其中，各个所述控制区包含所述核心区φ
i
。
55.在本实施例中，所述灰度映射增强对比度模块500具体包括：
56.起始控制区映射单元501，用于选定所述控制区中的起始控制区获取所述起始控制区的灰度值范围，并对所述起始控制区以所述灰度值范围映射为n倍，将以映射的所述起始控制区标记为已入库控制区；其中，0＜j＜i，n为大于1的正整数；映射时，
所述起始控制区的映射基准包括：保持所述灰度值范围的最小值的灰度值不变；
57.在后控制区映射单元502，用于选定与至少一所述已入库控制区相邻且未标记为所述已入库控制区的待入库控制区将所述待入库控制区的灰度范围扩展映射为n倍，并在映射之后将所述待入库控制区标记为已入库控制区；其中，映射时，所述待入库控制区的映射基准包括：所述待入库控制区与各个所述已入库控制区的边界区域的灰度值的映射以各个所述已入库控制区为基准；所述待入库控制区属于所述控制区0＜k＜i且k≠j；
58.值得一提的是，在基准锚定后，其它灰度值可以在总映射范围扩展为n倍的情况下以这些基准在基准与基准之间平均扩展映射；
59.灰度值归一化映射单元503，用于在完成各个所述控制区的映射之后，将各个所述已入库控制区的灰度值映射至标准图像灰度值。
60.值得一提的是，标准图像灰度值为([0,255]，[0,255]，[0,255])，所述标准图像灰度值包括红绿蓝三色。
[0061]
在本实施例中，所述待检测电力图像一次分割的方式为：
[0062]
1)、计算灰度值为m的像素在所述待检测电力图像中出现的概率p
m
；其中，q
m
为灰度值为m的像素出现的总次数，h和w分别为所述待检测图像的高和宽；
[0063]
2)、给定一个阈值t，将图像分成目标区域o和背景区域b，所述目标区域o和所述背景区域b的概率定义分别如下：
[0064]
其中，p
o
(t) p
b
(t)＝1；
[0065]
3)、分别计算所述目标区域o和所述背景区域b的熵h0(t)和h
b
(t)；其中，
[0066]
4)、计算所述待检测电力图像的熵函数：h(t)＝h
o
(t) h
b
(t)，
[0067]
所述熵函数取得最大值是对应的灰度值即为最佳阈值：
[0068]
t
*
＝argmaxh(t) 0≤t≤255；
[0069]
5)、使用所得到的阈值t
*
对所述待检测电力图像进行分割，可以得到所述设备边缘图和背景图，对所述设备边缘图进行简单的形态学操作，排除一些独立的不连续的区域，并对所述设备边缘图与所述待检测电力图像进行叠加操作，通过这种操作方式得所述待检测电力图像中的设备边缘图。
[0070]
在本实施例中，在对所述目标图像进行识别与分割之前，应先对所述设备边缘图进行目标检测以确定可能存在的目标区域。
[0071]
在本实施例中，所述对比分析模块900通过ar投影的方式对所述设备边缘图和所
述电力设备图进行对比分析；将所述电力设备图通过ar设备投影至所述待检测电力图像相对应的所述电力设备前方，使得所述电力设备图与所述电力设备重合，从而确定所述电力设备所存在的故障。
[0072]
在本实施例中，所述目标图像识别模块600中目标图像识别是基于所述设备边缘图的主要特征进行目标识别的。
[0073]
以上详细描述了本发明的具体实施例。应当理解，本发明的具体实施例并不唯一，本领域的普通技术人员可以在权利要求的范围内根据本发明的构思作出诸多修改和变化。因此，凡本领域中的技术人员根据本发明的具体实施例在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。