基于深度学习的电力设备图像识别方法探析

练睿

（广东电网有限责任公司惠州供电局，广东 惠州 516001）

近年来，随着计算机视觉和深度学习等技术的发展，自动化的电力设备图像识别方法成为一种可行的解决方案。对于现有图形监控系统，通常是将多媒体数据信息传输至云端，无法进行智能数据分析，需专业技术人员对监控下的电力设备图形进行分析。图形储量过大，对于设备自动化运行监测的效果会产生较大的影响，进而影响工作效率，且人工识别结果有一定的主观性，不能够及时了解设备实际运行情况。在深度学习基础上，在高低层信号间搭建映射关系，然后借助人眼视觉效果，进行图像识别，精准提取数据流间的有效特征。在电力设备图像识别中，深度学习的应用具有较大的挖掘空间，并且可以有效解决电网非结构化数据依赖人工、利用率不高等问题，也能够为以后电力设备状态监测等提供充足理论基础。

1 深度学习的概念分析

深度学习是一种人工智能的分支，其主要任务是让计算机能够像人类一样进行智能决策。深度学习的核心是多层神经网络，它模拟了人类大脑的神经元之间的连接。神经网络的每层都包含若干个神经元，每个神经元都有自己的权重和偏置，它们通过输入和输出之间的连接进行信息传递。神经网络可以通过不断的训练来优化权重和偏置，从而提高分类、识别等任务的准确率。深度学习在多个领域得到了广泛的应用，例如，图像识别、语音识别、自然语言处理等。在图像识别领域，深度学习可以帮助计算机识别出图片中的物体、文字等。深度学习的优势在于它可以自动学习特征，不需要手动设计特征。这意味着深度学习可以在大规模数据上进行训练，并从中自动学习特征。此外，深度学习还可以处理非线性问题，甚至可以处理高维数据。这些优势使得深度学习在许多领域中都能够取得优异的表现。

2 基于深度学习的电力设备图像识别方法

2.1 特征提取

电力设备图像处理的重要前提就是保证图像质量合格，如果图像质量不佳，则不利于之后目标的提出。成像设备不同，对于图像所产生的影响也存在一定的差异。所以，对于电力设备特征的提取，需要对已经获取的图像质量进行增强、复原。

对于拍摄设备的角度，关键在于应用条件。在使用飞行设备进行巡回时，若航线高低不一样，那么，设备就会产生振动的现象，对所获取的图像质量也会产生一定的影响，导致图像出现震点，部分图像会模糊，或者与背景融合的情况。在拍摄期间，若拍摄的光线比较暗，或者遇到恶劣天气时，如雾霾，那么图像的对比度、灰度就会变得比较低，阴影范围较大，对于变压器、绝缘子等一些高光设备，则不能有效定位，图像识别的难度大大增加。在图像特征提取时，可以将图像设为作用域，过滤其线性滤波。对于图像中的噪声，在超高、超低频次子块中，通过对带有噪声的图像进行小波转换，便可以获得迭代数据，其高频数据为零。对于超低频次数据，可以起到抑制作用，有效去噪。如果图像中高光设备受到灰度影响，那么，就可以对小波频次进行转换，将其转为均值滤波，在其中一个像素的周边，通过设置多个像素灰值均数，以此来替代之前的灰度值。对于单位距离至中心半径距离，设定集临近平滑，在噪声灰度的转移期间，临近的4个区域，其灰度像素会进行转换，即为八个区域，在这样的情况下，即可提取电力设备特征。

2.2 图像识别

电力系统设备类型具有多样化特点，大多数设备的外观比较相似，其颜色较为单一，再加上变电站环境具有一定的复杂性，最终获取的图像背景也会变得十分复杂。深度学习在图像、语音等多个领域得到了较大突破，但其效果并不能将传统学习理论否定。基于此，提出基于深度学习的随机森林法，对于决策，以投票方式选择，从而确定预测结果这一功能，不仅具有较高的预测精度，还具有较强的抗噪能力。通过采用随机森林分类器，产生多个随机选择的样本子集，以及特征子空间形成的决策树，综合形成“森林”，在分类环节，以投票方式得到分类的结果。分类的方法可以分为两部分，其一，为训练阶段；其二，为测试阶段。训练阶段是先在图像数据库中选定图像，并提取特征，然后对其进行分析，根据具体结果选择特征。由于低层卷积层所提取的特征并未有十分丰富的语义信息，若运用这些特征，那么，就会增加图像特征的表示维度。所以，仅选取并分析DCNN全连接层以及混合层的特征，以此对随机森林训练。

在随机森林（RF）训练中，应从输入空间根节点开始，在每一节点，对于每个分区，应确定分割的规则，以及预测的模型，以最大程度降低损失。由于DCNN提取图像特征具有较高的维度，所以，选择常数分割模型进行训练。

在随机森林中，对于树的每个节点应该测试其深度特征，然后选出最佳特征。若图像维度比较大，相应的测试搜索空间也会比较大，其分割效果则不佳。为了以最少维度保证图像特征，并增强其分辨能力，采取线性判别的方式，有效评估深度特征。线性判别的应用主要是为了保证有效分离不同类型的特征，并且确保相同类型特征能够紧凑分布。在特征选择中，对于图像表示维度，进行独立处理。

2.3 构建网络模型

由于电力设备受到多种因素的影响，在图像处理中，不仅包括其原本应有的特征，还出现了一些伪装色彩因子，对于复杂程度较高的环境背景，很难高效获取图像的目标值。对于相对特征相似的图像特征提取中，在临近的图像中，标出P个锚点，对于每组图像的置信度，其区间为ω∈[0,1）。通过搭建边框数值网络层级，在每个描述点，计算出误差、分类误差，并有效控制所提取的图像特征范围，确保其处于特定阈值内。在网络模型中，依据深度选择模块，对于候选区域的电力设备，将其分为不同主干网络层级，通常情况下，层级越多，那么，网络结构就会变得越复杂，相应的目标区域也就会变得越多。所以，选取标准的两个层级，以防拟合结果过多，在模型正负训练中，生成相应的区域，以待识别，并获取目标的候选图像。

2.4 标记目标区域

基于深度学习网络模型，将需要识别的电力设备进行连接，然后借助红外设备，按照特定顺序扫描电力设备，并对图像数据信息进行正负训练，经过训练，标记相应的目标区域。对电力设备的红外图像，将其导入模型中，然后经过RN网络层级锚框映射区间，最终获得最为原始的图像。对于样本的目标框取值，如果设定超出0.1时，那么，其框架则被判断为正样本，如果设定不超过0.1时，就将其归为负样本区域。对于每组的图像，合理把控其采集比例，最好控制在1:4以内。在转换期间，对其和真正的目标框区域交并比值进行测量，然后根据其实际大小，以此来判定正负训练的具体次数。同时，依据模型中的判别策略指标，在特定流程基础上，合理设定每组图像的训练判别。

对于需要识别的区域，在标记期间，应先划分出红外设备扫描出的图像，以此作为候选的区域。同时，依据锚框前景目标概率比值，合理排列RN网络层级。对于锚框生成的回归向量参数，对其进行合理筛选，并改正初步的锚框位置。对于候选区域，在保留其最大极值外，将所剩下的抑制数据比值，全部再次放入候选区域。在不同候选集合内，多次进行采样，然后根据候选区域当中的图像，有效判别真实的目标，在每组的样本中，依据最大的目标值，合理排列目标框选值。如果所选的正负样本集合在相同区域内，那么，标定的目标框，其所在范围也就是目标识别的区域范围，通过识别显示，完成最终的图像识别。

2.5 实验分析

在深度学习基础上，为了验证其在电力设备图像识别中的应用效果，设计相应的实验进行验证分析。

（1）数据收集。从现有的电力设备运行数据中收集大量的图像数据，这些图像数据包括各种类型的电力设备，并且包含不同角度、不同光照条件下的图像。同时，使用数据增强技术来扩充数据集，例如，旋转、翻转、缩放等。以电线塔杆、变压器为例，借助红外设备采集8000张图像，各4000张，每种设备的正常、异常图像各2000张，其中，正常图像为设备工作状态下的图像，异常图像为设备故障或损坏状态下的图像。

（2）模型选择。使用基于CNN架构的多分类模型，该模型包含三个卷积层和三个全连接层，最后通过Softmax函数对输出进行分类。其中，卷积层用于提取图像的特征，全连接层用于将卷积层提取的特征进行分类预测。

（3）模型训练。对于数据集，将其分为训练集、验证集和测试集。在训练过程中，使用随机梯度下降法(SGD)来优化模型。为了防止过拟合，使用正则化技术，包括L2正则化和Dropout，并使用学习率衰减技术来提高模型的性能。

（4）模型评估。对于模型性能的评估，使用准确率、精确率、召回率和F1分数等指标来评估，通过使用测试集来评估模型在新数据上的表现。

（5）实验结果。经过实验，模型在测试集上的准确率达到了90%，精确率达到了92%，召回率达到了88%，F1分数达到了90%。这意味着模型可以准确地识别电力设备的类型，并能够快速发现设备的异常状况。同时，在该实验中发现变压器图像特征的显示比较明显，而电线杆塔由于其自身地理位置的影响，受到树木遮挡，其图像特征比较模糊。在图像特征提取中，因为单位神经元的数量对其有较大的影响，所以，在采取本文方法的同时，还采用随机森林、归一处理这两种方法提取设备的神经元，并对比其神经元个数选值。

如表1所示，为不同方法下的图像输出神经元选值。通过分析，发现在不同的特征值区域内，基于深度学习的电力设备识别方法获得的神经元单元个数整体变化不大。而其他两个方法的特征值在大于2.0时，其神经元选值呈现出下降的趋势。由此可见，本文采取的方法在图像全局特征提取中具有较好的效果，并且适用于复杂环境的识别。

表1 采集图像输出神经元选值

3 结语

电力设备的安全运行对于整个电力系统的稳定运行至关重要，然而，由于电力设备通常需要长时间运行，其磨损和老化等问题也随之而来。因此，及时发现和处理这些问题非常必要。近年来，随着深度学习技术的发展，基于深度学习的电力设备图像识别得到了广泛应用。本文研究基于深度学习的电力设备图像识别方法，通过搭建模型，对电力设备的图像进行分类识别，并对不同特征值区域内多个方法的神经元单元个数进行对比分析，实验结果表明，该方法具有较高的准确率和鲁棒性，可以在复杂环境内高效识别电力设备，在电力设备管理与维护领域具有广阔的应用前景。未来可以进一步探索该方法在更多电力设备领域的应用，并提高模型的实时性和稳定性，提升电力设备的识别效果，推动电力企业的安全稳定运行。