結合紋理參數和GA-BP神經網絡的電力設備圖像識別*

劉玉成 曹春誠 鄧 斌

（1.國網呼倫貝爾供電公司 呼倫貝爾 021100）（2.保定市毅格通信自動化有限公司 保定 071000）

1 引言

隨著我國電力事業的發展，對電能質量提高和電網正常運行的壓力越來越大。設備數量多，線路布線復雜，使得電網系統更加的復雜。這些因素都會使得故障診斷較為復雜。由于計算機視覺技術的迅速發展，紅外熱成像技術、紫外成像等技術廣泛的應用到電網中；紅外熱成像技術和紫外成像技術都可以實現設備運行狀態下的故障定位及診斷，非常安全可靠。也可以將這些技術通過無人機和機器人搭載鏡頭完成巡線等工作［1～5］。大量圖像數據能夠提高電網的智能化水平，但是，目前監控設備并不能對這些圖像進行智能識別，而是通過人工的方法對圖像進行分類、分析和識別，這樣不僅浪費了大量時間、工作效率低，而且判斷的結果也不準確。對電力設備的智能識別不但可以解決以上問題，還有利于及時發現設備故障，提高電網安全運行水平［6～10］。

為了提高電力設備識別率，結合GA-BP神經網絡與圖像紋理參數方法進行電力設備識別。圖像紋理信息不同于顏色、灰度等特征，描述的是圖像對比度和粗糙度等。GA-BP神經網絡通過GA算法中的染色體特性優化BP神經網絡的連接權值和閾值，為精準圖像識別提供了保障［11～16］。

2 灰度共生矩陣

灰度共生矩陣是計算圖像紋理參數的常用方法［8～13］。從任意圖像I中取任意一移動點（x，y），將點（x，y）在圖像I上移動，會得到各種灰度值（i，j），將各灰度值排列成一個方陣并統計灰度值（i，j）出現的次數，（i，j）出現的總次數進行歸一化處理得到出現的總概率P（i，j），如此操作即可得到灰度共生矩陣。圖1為距離相對中心點1時，四個方向像素點位置圖。

圖1 距離為1四個方向像素對位置

灰度共生矩陣中包含圖像的二次統計特征值，其中包括能量、對比度、熵、相關性等參數信息。

ASM（Angular Second Moment）代表能量，是紋理特征量中一個非常重要的參數，可以反映圖像的均勻程度、紋理粗細度。

CON（Contrast）代表對比度，灰度共生矩陣的對象線數據影響著CON的值，對比度越高圖像質量越好。

ENT（Entropy）代表熵，其值越大圖像越復雜但是圖像質量也更清晰。

COR（Correlation）代表相關系數，μx和μy是均值，σx和σy是方差。它主要體現圖像局部特征的相關性信息。

在進行圖像紋理參數獲取前，需要保證處理圖像大小和顯示區域的大小是否符合，然后使用RGB三通道計算圖像灰度值，由得到的灰度共生矩陣可以得到不同方向下的紋理參數，將其值輸入到GA-BP神經網絡中進行訓練學習。紋理特征值計算流程圖如圖2所示。

圖2 紋理參數特征值計算流程

3 GA-BP神經網絡

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是應用較為廣泛的神經網絡模型之一［17］。

其結構圖如圖3所示。

圖3 BP神經網絡結構圖

從圖3可以看出，BP神經網絡一般由輸入層、隱含層、輸出層構成，網絡訓練過程中可以通過調節網絡的權值與閾值減小網絡誤差。一般地，BP神經網絡算法流程如下：

1）設置初始權重值，一般選用較小非零實數。

3）對于樣本P，算法的計算過程為

反向過程為

4）修正權值為

其中BP神經網絡包括了如下兩種學習方式。

Pattern學習方式：

Epoch學習方式：

一般GA算法優化BP神經網絡由優化網絡結構、優化神經網絡的權值、優化學習系數三部分構成。本文所提方法中神經網絡權值優化使用遺傳算法，采用GA算法尋找最優初始權值，最優解利用BP神經網絡搜索。優化權值步驟如圖4所示。

圖4 GA算法優化BP神經網絡結權值

GA-BP神經網絡的數學表達式如下：

其中：

為期望輸出，為網絡的實際輸出，ε1為誤差系數，則：

用GA算法求解式（5）。

當式（8）成立時，就可以用GA-BP神經網絡算法解決實際問題。

雖然BP神經網絡有一定的泛化能力但是在訓練過程中BP神經網絡收斂速度很慢，且容易局部達到最優。如果直接應用BP神經網絡完成圖像識別，將會有較大的誤差，因此提出用遺傳算法優化的BP神經網絡。遺傳算法是一種模擬自然選擇進化過程的方法，它可以模仿自然計劃過程找到全局最優解。GA-BP算法的基本原理是首先使用遺傳算法找到全局最優解，并將其作為BP算法的初始權重值，輸入到BP神經網絡中，經過BP神經網絡的訓練學習可以輸出所需結果。使用GA-BP神經算法的優勢在于網絡權值閾值已經過優化，這可以有效解決BP神經網絡容易陷入局部最優的問題。步驟如圖5所示。

圖5 GA-BP神經網絡流程圖

4 實驗

使用圖像紋理參數信息和GA-BP神經網絡算法進行電力設備圖像識別的步驟為

1）測試數據集共有6000幅圖像，其中包括輸電線、變壓器、斷路器、隔離開關、絕緣子、桿塔，用1～7數字對設備類型標注。

2）選擇5000幅電力設備圖像，計算圖像四個方向的紋理參數。

3）用這5000幅電力設備圖像四個方向的紋理參數訓練GA-BP神經網絡。

4）再從6000幅電力設備圖像中隨機選擇1000幅圖像，計算這1000幅圖像不同方向的參數，并將其結果作為測試樣本。其中神經網絡輸入神經元個數為16，隱含層神經元個數為8，輸出神經元個數為1。

隨機選擇一幅圖像，如圖6所示，其設備名稱為變壓器。

圖6 變壓器

表1 變壓器圖像的紋理參數

通過GA-BP辨別紋理參數，輸出結果2，輸出類型準確。

圖7為桿塔，計算四個方向的紋理參數，如表2所示。

圖7 桿塔

表2 桿塔圖像的紋理參數

將紋理參數輸入到已經訓練好的GA-BP神經網絡中，輸出結果7，輸出類型準確。

圖8為隔離開關，計算四個方向的紋理參數，如表3所示。

表3 隔離開關圖像的紋理參數

圖8 隔離開關

將紋理參數輸入到已經訓練好的GA-BP神經網絡中，說出結果為5，輸出類型準確。

圖9為絕緣子串，計算其四個方向的紋理參數，如表4所示。

圖9 絕緣子串

表4 絕緣子串圖像的紋理參數

將紋理參數輸入到已經訓練好的GA-BP神經網絡，輸出結果為6，輸出類型準確。

圖10為斷路器，計算其四個方向的紋理參數，結果如表5所示。

表5 斷路器圖像的紋理參數

圖10 斷路器

將紋理參數輸入到已經訓練好的GA-BP神經網絡，輸出結果為4，輸出類型準確。

實驗結果表明，紋理參數和GA-BP神經網絡結合算法對圖像識別有較高的準確性，且計算速度快。

5 結語

針對目前視頻監控設備沒有圖像識別功能這一問題，提出一種利用灰度共生矩陣反應圖像紋理參數，結合遺傳算法優化的BP神經網絡進行圖像識別的方法，本文所提方法以四個方向的紋理參數作為GA-BP神經網絡的輸入，可以很好地找到全局最優解，通過實驗表明，其輸出結果可以準確地對待測圖像完成識別。算法運行速度快、識別結果效率高。