[發明專利]基于度量的電力圖像環境影響評估方法

在審

• 申請號: 201810470102.8
• 申請日: 2018-05-16
• 公開（公告）號: CN108898269A
• 公開（公告）日: 2018-11-27
• 發明（設計）人: 侯春萍;蔣天麗;楊陽;郎玥
• 申請（專利權）人: 天津大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

本發明屬于圖像分類、電力設備維護技術領域，為提出一種基于的電力圖像環境影響評估方法，用于確定電力圖像的受環境影響級別。為此，本發明采用的技術方案是，基于度量的電力圖像環境影響評估方法，構建相應電力系統環境下已確定環境影響類別和影響級別的數據庫，建立卷積神經網絡模型，利用數據庫中圖像對模型進行訓練，分別對數據庫中電力圖像和實際采集的電力圖像進行特征提取，利用數據庫中部分圖像作為監督樣本構建哈希映射，將數據庫圖像和實際采集圖像進行映射得到哈希碼，并進行距離度量以確定電力圖像的受環境影響級別。本發明主要應用于電力設備維護場合。

技術領域

本發明屬于圖像分類、電力設備維護技術領域，具體講,涉及一種利用卷積神經網絡的基于度量的電力圖像環境影響評估方法。

背景技術

隨著數字圖像處理技術在軍事、工業、醫學、氣象等領域的廣泛應用，電力圖像的采集和處理也在提高電力生產和傳輸過程中的安全性和經濟性方面發揮著越來越大的作用。電力圖像的獲取過程往往會受到環境的不同種類和不同程度的影響，不可避免地產生失真。對電力數字圖像所受到的環境影響準確地進行評估是工程技術人員進行后續算法設計、系統優化、參數估計的重要前提。

環境影響評估可通過主觀評估方法由一定數量的觀測人員按規定測試流程進行，但過程復雜費時，且評估結果易因人而異，測試環境、觀察人員的文化背景、自身情緒、觀察動機等因素都會影響評估結果的準確性。主觀評估方法通常作為一種輔助手段，用來驗證客觀評價結果的有效性、準確性及與主觀感受的一致性。通過軟件或儀器進行客觀的環境影響評估，結果具有數值性，易操作性和可重復性，故更需要具有更高有效性的環境影響評估方法。

對電力圖像進行環境因素相關的特征提取作為進行環境影響級別相似性度量的基礎，需要依照實際圖像類型與特點，以相似性比對為目的進行。按照給定的算法和要求，提取圖像的相關特征。電力圖像的環境因素特征分為三個層次：包含圖像的顏色、紋理、形狀等低層特征的感知層級，包含圖像中對象之間的空間關系的邏輯特征層，包含對圖像內容的抽象概念反映的抽象語義特征層。評估的需求也對應地分為三個層次：一是利用圖像的低層特征及其組合進行度量，不利用圖像的語義信息，是目前主要的方法。二是在邏輯特征基礎上檢測圖像內容，在計算機獲得對象概念的基礎上可進行相似性度量得到有代表意義的對象。三是經過相關知識和主觀判斷，對實際物體進行描述，來對物體的抽象特征進行相似性度量。

早期特征提取中，全局特征通常將各類特征轉化為單一全局表達來描述圖像內容。傳統方法如GIST、Edgel對圖像內容的表征能力比較有限，主要適用于內容一致性較高的圖像相似性度量，對處理背景復雜的圖像效果不佳，可被用作補充部分以提高準確度。自從SIFT可檢測出圖像中具有顯著視覺特性的局部區域，并對這些區域有非常穩定能力的特征描述^[1]，局部特征被大量用作圖像表達。局部特征抽取包括興趣點檢測和局部區域描述。常用檢測子包括差分高斯、最大穩定極值區域、Hessian仿射檢測子、Harris-Hessian檢測子和FAST，使興趣點在不同的變換或改變中仍能被檢測到。描述子應具有旋轉不變性和區分性。自利用描述子閾值獲得二值化SIFT后，產生了一種新的圖像相似性度量方法，二值化特征BRIEF和其變體相繼提出，如ORB、FREAK和BRISK，除梯度信息，邊緣和顏色也可生成描述子，如Edge-SIFT和color-SIFT。由于描述子缺少學習能力，限制了其圖像內容表達能力，難以適應多樣的圖像數據。

為生成更具有區分性和代表性的特征，還可以將數據驅動的方式用于學習特征。隨著深度學習的發展，人們逐漸可以使用深度架構學習出接近人類識別過程的高層抽象，可從網絡不同層抽取特征。Tang將DBN第一層采用稀疏化連接，同時利用概率降噪算法提高DBN輸出特征對噪聲的魯棒性。Lee^[2]等構建了卷積深度置信網絡，可從未標注的自然圖像中學習有效的高階表示。卷積神經網絡(Convolutional Neural Network，CNN)可以自動地學習圖像中的特征，避免了進行手動的特征選取和復雜的計算，可針對特定的環境因素評估問題得到具有較好區分性的高維特征。使后續度量返回的結果具有更加高的準確性。