浙江浙能電力股份有限公司蕭山發(fā)電廠 王興龍 孫 飛 程 甫 宋 斌 周齊輝
電力企業(yè)是我國(guó)市場(chǎng)內(nèi)可以起到主導(dǎo)經(jīng)濟(jì)發(fā)展的行業(yè),隨著產(chǎn)業(yè)發(fā)展的持續(xù)推進(jìn),電廠設(shè)備呈現(xiàn)出種類多元化、結(jié)構(gòu)復(fù)雜化、運(yùn)行監(jiān)測(cè)智能化的趨勢(shì)。與此同時(shí),隨著電廠設(shè)備建設(shè)工作的不斷完善,電廠設(shè)備在運(yùn)行中監(jiān)測(cè)產(chǎn)生的數(shù)據(jù)量也對(duì)應(yīng)呈現(xiàn)出指數(shù)增長(zhǎng)現(xiàn)象,如何在此過(guò)程中實(shí)現(xiàn)對(duì)電廠設(shè)備圖像的精準(zhǔn)識(shí)別、高效分析,成為了優(yōu)化電力企業(yè)內(nèi)部運(yùn)營(yíng)方式、提高電廠設(shè)備綜合運(yùn)行水平的主要措施??蒲袉挝粦?yīng)用現(xiàn)代化定位技術(shù)、探傷技術(shù)、無(wú)損檢測(cè)技術(shù)、覆冰評(píng)估技術(shù)、紫外線技術(shù)等,進(jìn)行電廠設(shè)備圖像識(shí)別方法的優(yōu)化設(shè)計(jì)。
盡管不同技術(shù)的應(yīng)用為電廠設(shè)備識(shí)別工作帶來(lái)了便利條件,但大部分電力企業(yè)在進(jìn)行電廠設(shè)備巡回檢查時(shí),使用現(xiàn)有的方法無(wú)法做到對(duì)設(shè)備反饋運(yùn)行圖像的準(zhǔn)確分類與識(shí)別,影響設(shè)備圖像識(shí)別的準(zhǔn)確率。
為了實(shí)現(xiàn)對(duì)電廠設(shè)備的規(guī)范化管理,提高管理過(guò)程中電廠設(shè)備圖像識(shí)別的準(zhǔn)確率,設(shè)計(jì)一種針對(duì)電廠設(shè)備圖像的全新識(shí)別方法。引進(jìn)GoogLeNet模型對(duì)輸入層信息進(jìn)行密集化處理,得到圖像擬合結(jié)果后進(jìn)行重疊處理,提取不同圖像中的重疊區(qū)域,將其作為電廠設(shè)備圖像特征;引進(jìn)Faster技術(shù),采用對(duì)圖像旋轉(zhuǎn)、隨機(jī)剪裁、去噪處理等方式,優(yōu)化電廠設(shè)備圖像;引進(jìn)邊緣檢測(cè)法對(duì)圖像梯度進(jìn)行計(jì)算與分類,實(shí)現(xiàn)對(duì)圖像的分類與識(shí)別。通過(guò)對(duì)比實(shí)驗(yàn)證明,設(shè)計(jì)方法的識(shí)別結(jié)果準(zhǔn)確率在99.8%以上,說(shuō)明本文設(shè)計(jì)方法可以在實(shí)際應(yīng)用中起到提升電廠設(shè)備圖像識(shí)別準(zhǔn)確率的作用。
為了實(shí)現(xiàn)對(duì)電廠設(shè)備圖像的精準(zhǔn)識(shí)別,在本章的研究中引進(jìn)GoogLeNet模型,進(jìn)行設(shè)備掃描圖像中特征信息的針對(duì)性提取。傳統(tǒng)的圖像特征采集大多為人工,而人工采集只能通過(guò)視覺(jué)進(jìn)行圖像顏色、圖像中設(shè)備外形等較為直觀的參數(shù)判斷圖像類別。但電力企業(yè)中的設(shè)備種類較多,且不同類型的電廠設(shè)備可能存在外形或顏色相似的特點(diǎn)[1]。加之在掃描電廠設(shè)備圖像時(shí),成像結(jié)果可能受到采集過(guò)程中光線、背景等外在因素的影響,出現(xiàn)不同程度上的圖像損耗。一旦在此過(guò)程中技術(shù)人員出現(xiàn)視覺(jué)層面的偏差,便會(huì)出現(xiàn)識(shí)別錯(cuò)誤的問(wèn)題[2]。因此,輔助使用現(xiàn)代化視覺(jué)模型進(jìn)行設(shè)備圖像的掃描與特征提取,是十分有必要的。對(duì)基于GoogLeNet模型的圖像掃描過(guò)程進(jìn)行描述,如圖1所示。
圖1 基于GoogLeNet模型的電廠設(shè)備圖像掃描
利用模型中的Relu激活函數(shù),對(duì)模型中的輸入層信息進(jìn)行密集化處理,通過(guò)此種方式得到模型對(duì)圖像的擬合結(jié)果。對(duì)擬合結(jié)果進(jìn)行重疊處理,提取不同圖像中的重疊區(qū)域,將其作為電廠設(shè)備圖像特征。
完成對(duì)電廠設(shè)備圖像的特征提取處理后,引進(jìn)Faster技術(shù)對(duì)具有顯著特征的圖像進(jìn)行信號(hào)增強(qiáng)處理,保證在掃描圖像過(guò)程中該圖像具有較高清晰度。
在掃描到一張電廠設(shè)備圖像后,先進(jìn)行圖像的錄入與讀取,檢索圖像的邊框,對(duì)其進(jìn)行左旋轉(zhuǎn)右旋轉(zhuǎn),增加樣本圖像集合中不同角度下的圖像[3]。將每一次完成處理后的圖像標(biāo)注為一個(gè)分項(xiàng)樣本,將其用.XML的格式進(jìn)行存儲(chǔ)。將分項(xiàng)樣本生成的文件作為標(biāo)注文件,生成此文件主要是為了記錄圖像中識(shí)別目標(biāo)在二維平面中的坐標(biāo)位置。在操作圖像時(shí)本體內(nèi)容會(huì)發(fā)生旋轉(zhuǎn),對(duì)應(yīng)的目標(biāo)框也將發(fā)生旋轉(zhuǎn),可根據(jù)旋轉(zhuǎn)的角度進(jìn)行圖像的精準(zhǔn)描述。
在此基礎(chǔ)上,對(duì)電廠設(shè)備圖像進(jìn)行隨機(jī)裁剪處理,考慮到圖像識(shí)別過(guò)程中可能存在識(shí)別目標(biāo)被遮擋的問(wèn)題,而圖像中目標(biāo)內(nèi)容出現(xiàn)缺失會(huì)造成檢測(cè)結(jié)果偏差。因此,有必要根據(jù)前端輸入的識(shí)別指令,對(duì)訓(xùn)練樣本集合進(jìn)行裁剪處理,通過(guò)此種方式保證識(shí)別內(nèi)容在目標(biāo)框內(nèi)保持完整。
由于在掃描或識(shí)別圖像過(guò)程中不同圖像的灰度不同,可能造成圖像識(shí)別精度差的問(wèn)題。因此,還需要在完成對(duì)電廠設(shè)備圖像的基礎(chǔ)處理后,進(jìn)行圖像的噪聲去除處理[4]。在此過(guò)程中,電廠設(shè)備圖像會(huì)在神經(jīng)網(wǎng)絡(luò)內(nèi)發(fā)生迭代或過(guò)度擬合的問(wèn)題,此時(shí)圖像中的一些高頻特征信息將發(fā)生扭曲,嚴(yán)重情況下甚至?xí)霈F(xiàn)圖像失真。因此,可采用將特征區(qū)域圖像進(jìn)行離散化處理的方式,提取圖像特征散點(diǎn)信息,根據(jù)散點(diǎn)信息的分布,在圖像中均勻增加少量的高斯噪聲,獲得一個(gè)失真度較低的圖像。
將此過(guò)程表示為下述計(jì)算公式:VL=(2n+1)c/l k,式中:VL表示為失真度較低的電廠設(shè)備圖像;n表示為圖像中的數(shù)據(jù)點(diǎn);c表示為圖像分辨率;l表示為高斯噪聲分布;k表示為圖像魯棒性。按照上述計(jì)算公式與上文提出的步驟,完成對(duì)電廠設(shè)備圖像的處理。
完成上述處理后,引進(jìn)邊緣檢測(cè)法,在電廠設(shè)備圖像中增加待識(shí)別點(diǎn),根據(jù)圖像的處理模式,選擇復(fù)雜度較低的Roberts算子作為分類算子,采用對(duì)圖像梯度進(jìn)行計(jì)算的方式,掌握對(duì)應(yīng)圖像在空間中的所屬類別。計(jì)算公式如下式中:R表示為電廠設(shè)備圖像在空間中的所屬類別;V12與V22表示為算子對(duì)圖像識(shí)別的不同維度。
完成對(duì)圖像類別的劃分后,提取圖像的雙峰值與谷值,將圖像中不同位置的灰度值表示為 ,將 作為圖像閾值分割的依據(jù)。在此過(guò)程中應(yīng)明確,圖像的峰值與谷值不是唯一的,因此,需要在提出參數(shù)的基礎(chǔ)上,將閾值作為圖像分類的依據(jù)。根據(jù)算子對(duì)圖像中目標(biāo)物體的分割,提取圖像中的關(guān)鍵識(shí)別目標(biāo)。將關(guān)鍵識(shí)別目標(biāo)作為一個(gè)特定區(qū)域,將其存儲(chǔ)在MatLab程序中,通過(guò)程序?qū)Σ煌繕?biāo)的匹配進(jìn)行電廠圖像的分類[5]。
將不同圖像識(shí)別目標(biāo)的匹配度作為分類依據(jù),當(dāng)兩個(gè)識(shí)別目標(biāo)的匹配度<70.0%時(shí),說(shuō)明兩個(gè)圖像不屬于相同類別的圖像,需要將其歸屬為兩個(gè)類別;當(dāng)兩個(gè)識(shí)別目標(biāo)的匹配度在71.0%~85.0%時(shí),說(shuō)明兩個(gè)圖像存在相同類別劃分的可能性,但也不排除兩個(gè)圖像是不同類別中的結(jié)構(gòu)類似設(shè)備,需要采用獲取圖像細(xì)部信息的方式,進(jìn)行圖像的進(jìn)一步識(shí)別,并根據(jù)細(xì)部識(shí)別與掃描結(jié)構(gòu)對(duì)其進(jìn)行分類;當(dāng)兩個(gè)識(shí)別目標(biāo)的匹配度>86.0%時(shí),說(shuō)明兩個(gè)圖像屬于相同類別的圖像,需要將其歸屬為相同類別。按照上述方式實(shí)現(xiàn)對(duì)電廠設(shè)備圖像的分類與識(shí)別。
為了檢驗(yàn)本文設(shè)計(jì)的方法可以在實(shí)際應(yīng)用中起到提升識(shí)別結(jié)果準(zhǔn)確率的效果,下述將通過(guò)對(duì)比實(shí)驗(yàn),對(duì)設(shè)計(jì)的識(shí)別方法綜合性能進(jìn)行檢驗(yàn)。
實(shí)驗(yàn)中,選擇某大型電力企業(yè)作為實(shí)驗(yàn)單位,在與此單位負(fù)責(zé)人簽訂了合作協(xié)議與實(shí)驗(yàn)條例后,在此單位的電力設(shè)備管理部門(mén)終端設(shè)備中隨機(jī)抽取1000.0張電廠設(shè)備圖像,將其作為樣本圖像。樣本圖像中的電廠設(shè)備包括斷路器設(shè)備圖像、電流互感器設(shè)備圖像、絕緣子設(shè)備圖像、避雷針設(shè)備圖像、電壓互感器設(shè)備圖像等,所有電廠設(shè)備的圖像均來(lái)自電力企業(yè)運(yùn)營(yíng)過(guò)程中的實(shí)拍。
本次實(shí)驗(yàn)所選的1000.0張電廠設(shè)備圖像中,共包括700.0張訓(xùn)練集合圖像、200.0張驗(yàn)證集合圖像與100.0張測(cè)試集合圖像,不同類別的電廠設(shè)備圖像的比例相同。對(duì)圖像進(jìn)行預(yù)操作處理,通過(guò)此種方式實(shí)現(xiàn)對(duì)圖像分辨率的轉(zhuǎn)換,確保測(cè)試樣本圖像的分辨率為299.0×299.0。進(jìn)行實(shí)驗(yàn)環(huán)境的布置,將圖像的測(cè)試環(huán)境與訓(xùn)練環(huán)境集成在Windows 10的計(jì)算機(jī)系統(tǒng)中,配置計(jì)算機(jī)設(shè)備的有效運(yùn)行位數(shù)為64.0。在此基礎(chǔ)上,選擇GTX-860N的GPU,選用java語(yǔ)言作為計(jì)算機(jī)編程語(yǔ)言,設(shè)定終端對(duì)圖像的深度學(xué)習(xí)框架為T(mén)ensorfiow。
按照本文設(shè)計(jì)的流程,先建立一個(gè)GoogLeNet模型,對(duì)電廠設(shè)備圖像特征信息進(jìn)行提取??蓪⒋诉^(guò)程作為圖像的訓(xùn)練過(guò)程,設(shè)定圖像的深度學(xué)習(xí)行為發(fā)生率為0.001,每執(zhí)行一次圖像迭代處理行為,都可以完成對(duì)至少50.0張圖像的篩查。每發(fā)生500.0次迭代,可以進(jìn)行一次驗(yàn)證集合準(zhǔn)確率的篩查,每發(fā)生2000.0次迭代處理行為,可以構(gòu)建一次訓(xùn)練模型。按照此種方式,完成對(duì)電廠設(shè)備圖像的特征提取。在此基礎(chǔ)上,按照操作行為對(duì)電廠設(shè)備圖像在迭代處理中的反饋信號(hào)進(jìn)行增強(qiáng)處理,并引進(jìn)邊緣檢測(cè)法對(duì)電廠設(shè)備圖像進(jìn)行首次識(shí)別,識(shí)別后對(duì)具有相同特征的圖像,按照設(shè)備屬性與類別進(jìn)行劃分。對(duì)電廠設(shè)備圖像的類別劃分結(jié)果如圖2所示。
圖2 電廠設(shè)備圖像的類別劃分結(jié)果
圖2中類別一中的圖像為電廠斷路器設(shè)備圖像;類別二中的圖像為電廠電流互感器設(shè)備圖像;類別三中的圖像為電廠絕緣子設(shè)備圖像。從上述圖2所示的電廠設(shè)備圖像分類結(jié)果可以看出,本文設(shè)計(jì)的方法可以在實(shí)際應(yīng)用中實(shí)現(xiàn)對(duì)圖像的精準(zhǔn)分類與識(shí)別。
為了進(jìn)一步感知并檢驗(yàn)本文方法的優(yōu)勢(shì),在此基礎(chǔ)上,引進(jìn)融合SE-Attention技術(shù)的圖像識(shí)別方法作為傳統(tǒng)方法,使用傳統(tǒng)方法對(duì)測(cè)試樣本圖像進(jìn)行識(shí)別。實(shí)驗(yàn)中,分別使用本文設(shè)計(jì)的識(shí)別方法與傳統(tǒng)識(shí)別方法,對(duì)測(cè)試樣本集合進(jìn)行掃描與迭代識(shí)別,以測(cè)試樣本集合中電場(chǎng)設(shè)備圖像P為例,當(dāng)對(duì)P識(shí)別后,對(duì)應(yīng)的圖像P可以被精準(zhǔn)劃分到其所屬類別時(shí),證明完成對(duì)圖像P的識(shí)別。按照上述方式進(jìn)行不同類別的識(shí)別,計(jì)算識(shí)別結(jié)果的準(zhǔn)確率,統(tǒng)計(jì)本文方法與傳統(tǒng)方法的實(shí)驗(yàn)結(jié)果,如表1所示。
從表1所示的實(shí)驗(yàn)結(jié)果中可以看出,本文設(shè)計(jì)方法的識(shí)別結(jié)果準(zhǔn)確率在99.8%以上,而傳統(tǒng)方法的識(shí)別結(jié)果準(zhǔn)確率在90%以上。說(shuō)明本次設(shè)計(jì)成果可以在實(shí)際應(yīng)用中起到提升電廠設(shè)備圖像識(shí)別準(zhǔn)確率的作用。
表1 兩種方法對(duì)電廠設(shè)備圖像識(shí)別的準(zhǔn)確率對(duì)比結(jié)果
為了避免由于識(shí)別行為不當(dāng)造成的電廠設(shè)備運(yùn)行異常,電力單位提出了人工輔助智能化技術(shù)的設(shè)備圖像識(shí)別方法。但由于人工識(shí)別與輔助分類具有準(zhǔn)確率差的問(wèn)題,導(dǎo)致終端經(jīng)常出現(xiàn)對(duì)電廠設(shè)備決策失誤的行為,此種誤判行為不僅會(huì)制約設(shè)備的安全可靠運(yùn)行,還會(huì)影響電廠對(duì)電力設(shè)備的巡檢效率。
因此,本文綜合了傳統(tǒng)方法的不足,從基于GoogLeNet模型的電廠設(shè)備圖像特征提取、電廠設(shè)備圖像的信號(hào)增強(qiáng)處理、基于邊緣檢測(cè)法的圖像分類與精準(zhǔn)識(shí)別三個(gè)方面,開(kāi)展了提高電廠設(shè)備圖像識(shí)別準(zhǔn)確率的研究。完成對(duì)此方法的設(shè)計(jì)后,選擇某大型電力企業(yè)作為實(shí)驗(yàn)單位,設(shè)計(jì)對(duì)比實(shí)驗(yàn),通過(guò)實(shí)驗(yàn)證明本次設(shè)計(jì)成果可以在實(shí)際應(yīng)用中起到提升電廠設(shè)備圖像識(shí)別準(zhǔn)確率的作用。