基于DCNN技术的无人值守变电站智能监测模型优化设计

林 洪,文 雷,牛健飞,穆明亮,李金林,李昊敏

(国网山东省电力公司 滨州供电公司,山东 滨州 256600)

无人值守变电站监测由于受成像设备和拍摄环境等因素影响,直接获得监测高分辨率图像存在一定难度[1-3]。而将低分辨率图像转换为高分辨率图像是最直接,也是最简便的获取监测高分辨率图像的方法。提出利用多感受野拉普拉斯生成对抗网络完成图像超分辨率重建[4]。将注意力机制与层次特征相融合,研究了一种适用于轻量化图像的超分辨率重建算法[5]。以深度学习的生成对抗网络为基础,通过将传统残差网络改为密集残差块,结合判别器网络,实现图像重建[6]。结合上述算法的优缺点,为了提高监测图像质量,以深度卷积神经网络(DCNN)为基础,提出了一种全新的无人值守变电站监测图像超分辨率智能重建方法。

1 DCNN的无人值守变电站监测图像重建

1.1 无人值守变电站监测图像图像预处理

通过降质退化模型[7]分析无人值守变电站监测图像分辨率的影响因素,并预处理图像。利用式(1)表示无人值守变电站监测图像降质退化模型:

L=DBFH+N

(1)

式中:L、H分别表示无人值守变电站监测的低分辨率图像和高分辨率图像;D表示降采样矩阵[8];N表示加性噪声;B、F分别表示模糊作用矩阵和运动变换矩阵。将硬阈值与软阈值结合,去噪处理无人值守变电站监测图像加性噪声。给定一个阈值χ,处理噪声,在处理后,通过反变换重构图像。

硬阈值函数表达式为:

R(L)=∂I(|L|≻χ)

(2)

式中:∂为Contourlet系数;I(·)为逻辑判断函数。

软阈值函数表达式为:

R'(L)=(∂-sgn(d)χ)I(|L|≻χ)

(3)

将上述阈值结合,得到预处理后的无人值守变电站监测图像,公式为:

A=R(L)+R'(L)

(4)

式中:R为经过去噪处理后的Contourlet系数。经过上述阈值去噪后的图像,完成了无人值守变电站监测图像预处理。

1.2 基于DCNN模型的特征提取

DCNN作为深度学习算法中最基础的一种模型[9],作用与特征提取器类似,具体如图1所示。

图1 DCNN基本结构图

在DCNN模型中,卷积层主要作用是输出特征图,该模型在不断地训练过程中学习得到合适的权值[10]。池化功能是下采样。在卷积层和池化层后面是全连接层。全连接层的最后一层为输出层。特征提取可以得到与原始图像对应的特征图。用DCNN模型训练获得低分辨率图像,并且获得卷积核及特征图,在此引入激活函数[11],经过计算后得到无人值守变电站监测特征图,公式为:

(5)

引入了残差网络结构,使不同层次之间的卷积层建立联系,通过这种联系对特征图的残差实现拟合,并且将密集块结构添加到残差网络的中间层,使得所有层次都具有连接性。

1.3 无人值守变电站监测图像联合重建

经过特征提取后,将无人值守变电站监测的高分辨率图像与低分辨率图像组成图像对[12-14],对应的边缘图像也组成图像对,2组图像对(即4个特征图)间有着相同的稀疏表示,即受同一个稀疏表示所约束。将联合稀疏表示这一过程用多元线性回归问题描述,公式为:

(6)

式中:α为稀疏表示系数;ε为一个极小的常数;B为DCNN模型的深度[15];G为深度图像;F2(·)表示DCNN第2层向量映射操作。深度图像为:

(7)

式中:E1、Eh分别表示无人值守变电站监测的低、高分辨率图像集;λ1、λ2、λ3、λ4表示权重的超参数。

将式(6)约束问题利用拉格朗日法转换为无约束问题,公式为:

(8)

利用梯度算子结合联合稀疏表示从无人值守变电站监测低分辨率图像中提取边缘信息,组成边缘图像对,这里需要用到目标函数[16]:

(9)

(10)

综上所述,完成基于DCNN[18-19]的无人值守变电站监测图像超分辨率智能重建方法设计。

2 实验测试

2.1 实验准备

为了验证所提方法是否可以取得理想的无人值守变电站监测图像重建效果,开展实验测试。操作系统为Ubuntu14.04,图像来源为某无人值守变电站监测图像。随机选取一幅图像为重建效果对比对象。

2.2 图像超分辨率智能重建方法参数设置

为了保障实验的准确性,设置无人值守变电站监测图像超分辨率智能重建方法参数,如表1所示。

表1 图像超分辨率智能重建方法参数

按照上述表1中的数值,设置基于DCNN的无人值守变电站监测图像超分辨率智能重建方法参数数值。

2.3 性能分析

为了分析所提方法的性能,采用直观地观察重建后的图像、峰值信噪比(PSNR)和结构相似性(SSIM)3个性能评价指标客观评价重建无人值守变电站监测图像质量。利用降质退化模型得到一幅对应的无人值守变电站监测低分辨率图像,将其作为输入,分别利用所提方法、多感受野拉普拉斯生成对抗网络(文献1)与注意力机制(文献2)重建图像,结果如图2所示。

(a)注意力机制

由图2可以看出,经过所提方法重建后的无人值守变电站监测图像,其质量和结构与原始图像都非常接近,细节表现的非常丰富,同时边缘信息保留完整。反观其他2种方法,重建后的图像均出现了边缘模糊和的情况,细节保留的并不完整,局部区域较为模糊图像整体质量不高。

为了进一步分析所提方法的性能,分析3种重建算法重建图像的峰值信噪比和结构相似性,评价结果如图3所示。

(a)3种算法PSNR值对比

由图3可知,所提方法的PSNR值和SSIM值曲线整体均高于对比方法,并且PSNR值达到了47.5 dB,SSIM值达到了0.97,对比多感受野拉普拉斯生成对抗网络和注意力机制的PSNR值45.7、45.1 dB和SSIM值0.78、0.64,所提方法的PSNR值和SSIM值提高了1.5 dB和0.20以上,说明所提方法重建的无人值守变电站监测图像具较高的质量。

3 结语

为了有效改善无人值守变电站监测低分辨率图像峰值信噪比和结构相似性低问题,提出基于DCNN的无人值守变电站监测图像超分辨率智能重建方法。分析导致无人值守变电站监测图像分辨率降低的影响因素,引入DCNN模型,输入低分辨率图像,获取特征图和局部特征,使高、低分辨率图像以图像对的形式组合,同时生成图像对的边缘图像对,联合图像后,实现无人值守变电站监测图像超分辨率智能重建。

实验结果表明,该方法的细节保留最完整,边缘处理理想。同时,在PSNR和SSIM 两个方面,均取得较好的表现,其中PSNR值达到了47.5 dB,SSIM值达到了0.97,比文献方法提高了1.5 dB和0.20以上,进一步验证了所提方法在无人值守变电站监测图像超分辨率重建方面的有效性。