提高电厂设备图像识别准确率的研究

浙江浙能电力股份有限公司萧山发电厂 王兴龙 孙 飞 程 甫 宋 斌 周齐辉

电力企业是我国市场内可以起到主导经济发展的行业，随着产业发展的持续推进，电厂设备呈现出种类多元化、结构复杂化、运行监测智能化的趋势。与此同时，随着电厂设备建设工作的不断完善，电厂设备在运行中监测产生的数据量也对应呈现出指数增长现象，如何在此过程中实现对电厂设备图像的精准识别、高效分析，成为了优化电力企业内部运营方式、提高电厂设备综合运行水平的主要措施。科研单位应用现代化定位技术、探伤技术、无损检测技术、覆冰评估技术、紫外线技术等，进行电厂设备图像识别方法的优化设计。

尽管不同技术的应用为电厂设备识别工作带来了便利条件，但大部分电力企业在进行电厂设备巡回检查时，使用现有的方法无法做到对设备反馈运行图像的准确分类与识别，影响设备图像识别的准确率。

为了实现对电厂设备的规范化管理，提高管理过程中电厂设备图像识别的准确率，设计一种针对电厂设备图像的全新识别方法。引进GoogLeNet模型对输入层信息进行密集化处理，得到图像拟合结果后进行重叠处理，提取不同图像中的重叠区域，将其作为电厂设备图像特征；引进Faster技术，采用对图像旋转、随机剪裁、去噪处理等方式，优化电厂设备图像；引进边缘检测法对图像梯度进行计算与分类，实现对图像的分类与识别。通过对比实验证明，设计方法的识别结果准确率在99.8%以上，说明本文设计方法可以在实际应用中起到提升电厂设备图像识别准确率的作用。

1 提高电厂设备图像识别准确率的研究

1.1 基于GoogLeNet模型的电厂设备图像特征提取

为了实现对电厂设备图像的精准识别，在本章的研究中引进GoogLeNet模型，进行设备扫描图像中特征信息的针对性提取。传统的图像特征采集大多为人工，而人工采集只能通过视觉进行图像颜色、图像中设备外形等较为直观的参数判断图像类别。但电力企业中的设备种类较多，且不同类型的电厂设备可能存在外形或颜色相似的特点[1]。加之在扫描电厂设备图像时，成像结果可能受到采集过程中光线、背景等外在因素的影响，出现不同程度上的图像损耗。一旦在此过程中技术人员出现视觉层面的偏差，便会出现识别错误的问题[2]。因此，辅助使用现代化视觉模型进行设备图像的扫描与特征提取，是十分有必要的。对基于GoogLeNet模型的图像扫描过程进行描述，如图1所示。

图1 基于GoogLeNet模型的电厂设备图像扫描

利用模型中的Relu激活函数，对模型中的输入层信息进行密集化处理，通过此种方式得到模型对图像的拟合结果。对拟合结果进行重叠处理，提取不同图像中的重叠区域，将其作为电厂设备图像特征。

1.2 电厂设备图像的增强处理

完成对电厂设备图像的特征提取处理后，引进Faster技术对具有显著特征的图像进行信号增强处理，保证在扫描图像过程中该图像具有较高清晰度。

在扫描到一张电厂设备图像后，先进行图像的录入与读取，检索图像的边框，对其进行左旋转右旋转，增加样本图像集合中不同角度下的图像[3]。将每一次完成处理后的图像标注为一个分项样本，将其用.XML的格式进行存储。将分项样本生成的文件作为标注文件，生成此文件主要是为了记录图像中识别目标在二维平面中的坐标位置。在操作图像时本体内容会发生旋转，对应的目标框也将发生旋转，可根据旋转的角度进行图像的精准描述。

在此基础上，对电厂设备图像进行随机裁剪处理，考虑到图像识别过程中可能存在识别目标被遮挡的问题，而图像中目标内容出现缺失会造成检测结果偏差。因此，有必要根据前端输入的识别指令，对训练样本集合进行裁剪处理，通过此种方式保证识别内容在目标框内保持完整。

由于在扫描或识别图像过程中不同图像的灰度不同，可能造成图像识别精度差的问题。因此，还需要在完成对电厂设备图像的基础处理后，进行图像的噪声去除处理[4]。在此过程中，电厂设备图像会在神经网络内发生迭代或过度拟合的问题，此时图像中的一些高频特征信息将发生扭曲，严重情况下甚至会出现图像失真。因此，可采用将特征区域图像进行离散化处理的方式，提取图像特征散点信息，根据散点信息的分布，在图像中均匀增加少量的高斯噪声，获得一个失真度较低的图像。

将此过程表示为下述计算公式：VL=(2n+1)c/l k，式中：VL表示为失真度较低的电厂设备图像；n表示为图像中的数据点；c表示为图像分辨率；l表示为高斯噪声分布；k表示为图像鲁棒性。按照上述计算公式与上文提出的步骤，完成对电厂设备图像的处理。

1.3 基于边缘检测法的图像分类与精准识别

完成上述处理后，引进边缘检测法，在电厂设备图像中增加待识别点，根据图像的处理模式，选择复杂度较低的Roberts算子作为分类算子，采用对图像梯度进行计算的方式，掌握对应图像在空间中的所属类别。计算公式如下式中：R表示为电厂设备图像在空间中的所属类别；V12与V22表示为算子对图像识别的不同维度。

完成对图像类别的划分后，提取图像的双峰值与谷值，将图像中不同位置的灰度值表示为 ，将 作为图像阈值分割的依据。在此过程中应明确，图像的峰值与谷值不是唯一的，因此，需要在提出参数的基础上，将阈值作为图像分类的依据。根据算子对图像中目标物体的分割，提取图像中的关键识别目标。将关键识别目标作为一个特定区域，将其存储在MatLab程序中，通过程序对不同目标的匹配进行电厂图像的分类[5]。

将不同图像识别目标的匹配度作为分类依据，当两个识别目标的匹配度＜70.0%时，说明两个图像不属于相同类别的图像，需要将其归属为两个类别；当两个识别目标的匹配度在71.0%～85.0%时，说明两个图像存在相同类别划分的可能性，但也不排除两个图像是不同类别中的结构类似设备，需要采用获取图像细部信息的方式，进行图像的进一步识别，并根据细部识别与扫描结构对其进行分类；当两个识别目标的匹配度＞86.0%时，说明两个图像属于相同类别的图像，需要将其归属为相同类别。按照上述方式实现对电厂设备图像的分类与识别。

2 对比实验

为了检验本文设计的方法可以在实际应用中起到提升识别结果准确率的效果，下述将通过对比实验，对设计的识别方法综合性能进行检验。

实验中，选择某大型电力企业作为实验单位，在与此单位负责人签订了合作协议与实验条例后，在此单位的电力设备管理部门终端设备中随机抽取1000.0张电厂设备图像，将其作为样本图像。样本图像中的电厂设备包括断路器设备图像、电流互感器设备图像、绝缘子设备图像、避雷针设备图像、电压互感器设备图像等，所有电厂设备的图像均来自电力企业运营过程中的实拍。

本次实验所选的1000.0张电厂设备图像中，共包括700.0张训练集合图像、200.0张验证集合图像与100.0张测试集合图像，不同类别的电厂设备图像的比例相同。对图像进行预操作处理，通过此种方式实现对图像分辨率的转换，确保测试样本图像的分辨率为299.0×299.0。进行实验环境的布置，将图像的测试环境与训练环境集成在Windows 10的计算机系统中，配置计算机设备的有效运行位数为64.0。在此基础上，选择GTX-860N的GPU，选用java语言作为计算机编程语言，设定终端对图像的深度学习框架为Tensorfiow。

按照本文设计的流程，先建立一个GoogLeNet模型，对电厂设备图像特征信息进行提取。可将此过程作为图像的训练过程，设定图像的深度学习行为发生率为0.001，每执行一次图像迭代处理行为，都可以完成对至少50.0张图像的筛查。每发生500.0次迭代，可以进行一次验证集合准确率的筛查，每发生2000.0次迭代处理行为，可以构建一次训练模型。按照此种方式，完成对电厂设备图像的特征提取。在此基础上，按照操作行为对电厂设备图像在迭代处理中的反馈信号进行增强处理，并引进边缘检测法对电厂设备图像进行首次识别，识别后对具有相同特征的图像，按照设备属性与类别进行划分。对电厂设备图像的类别划分结果如图2所示。

图2 电厂设备图像的类别划分结果

图2中类别一中的图像为电厂断路器设备图像；类别二中的图像为电厂电流互感器设备图像；类别三中的图像为电厂绝缘子设备图像。从上述图2所示的电厂设备图像分类结果可以看出，本文设计的方法可以在实际应用中实现对图像的精准分类与识别。

为了进一步感知并检验本文方法的优势，在此基础上，引进融合SE-Attention技术的图像识别方法作为传统方法，使用传统方法对测试样本图像进行识别。实验中，分别使用本文设计的识别方法与传统识别方法，对测试样本集合进行扫描与迭代识别，以测试样本集合中电场设备图像P为例，当对P识别后，对应的图像P可以被精准划分到其所属类别时，证明完成对图像P的识别。按照上述方式进行不同类别的识别，计算识别结果的准确率，统计本文方法与传统方法的实验结果，如表1所示。

从表1所示的实验结果中可以看出，本文设计方法的识别结果准确率在99.8%以上，而传统方法的识别结果准确率在90%以上。说明本次设计成果可以在实际应用中起到提升电厂设备图像识别准确率的作用。

表1 两种方法对电厂设备图像识别的准确率对比结果

3 结语

为了避免由于识别行为不当造成的电厂设备运行异常，电力单位提出了人工辅助智能化技术的设备图像识别方法。但由于人工识别与辅助分类具有准确率差的问题，导致终端经常出现对电厂设备决策失误的行为，此种误判行为不仅会制约设备的安全可靠运行，还会影响电厂对电力设备的巡检效率。

因此，本文综合了传统方法的不足，从基于GoogLeNet模型的电厂设备图像特征提取、电厂设备图像的信号增强处理、基于边缘检测法的图像分类与精准识别三个方面，开展了提高电厂设备图像识别准确率的研究。完成对此方法的设计后，选择某大型电力企业作为实验单位，设计对比实验，通过实验证明本次设计成果可以在实际应用中起到提升电厂设备图像识别准确率的作用。