基于深度學習的電力圖像目標自動識別方法

張 蕾，白萬榮，陳佐虎，魏 峰，張珍芬

（1.國網甘肅省電力公司電力科學研究院，甘肅蘭州 730070；2.甘肅同興智能科技發展有限責任公司，甘肅 蘭州 730050）

深度學習理論要求在可視層結構中，每一個神經節點都與一個輸入數據的特性信息一一對應，而對于可視層的隱藏層結構而言，在已知網絡層節點排列順序的情況下，任何一個其他層次節點都可以被看作是獨立存在的。因此，為了保證可視層輸入參數的計算準確性，需要在已知隱藏輸入信息的基礎上，對神經節點的數量級水平進行實時統計，再聯合各層級結構中的訓練系數指標項，得到最終的參數計算結果[1-2]。與其他應用算法相比，深度學習理論能夠根據隱藏輸入信息推斷可視層結構中的輸出結果，并可在計算過程中，建立一種全新的數據特征表達方式，這也是該算法能夠對傳輸信息進行實時調度的主要原因。

受到成像對象、成像環境、成像儀表等外在因素的影響，識別設備所捕獲到的電力圖像往往與其原始成像之間具有一定的差異性，且在配電網環境中，這種行為極易使輸出電信號受到強烈的擾動。基于改進Faster-RCNN 的定位方法針對灰度值較高區域內的電力圖像進行對比，再根據非線性計算原理，確定該區域圖像所屬的實際位置[3]。然而該方法的作用能力有限，并不能有效抑制電力目標節點處的功率數值下降趨勢，因此對于電信號擾動行為的抵抗能力相對有限。為更好解決上述問題，引入深度學習理論，設計一種新型電力圖像目標自動識別方法。

1 電力設備的圖像增強

電力設備圖像增強包含圖像均值信息獲取、灰度變換、顏色還原三個處理環節，具體操作方法如下。

1.1 圖像的均值信息獲取

為了能夠對電力圖像中的目標節點進行有效的增強處理，需要著重考慮核心像素點周圍的鄰域信息參量，也就是固定節點處的像素參量及其周圍節點處的像素信息。借助深度學習理論對電力圖像的均值信息進行計算，首先需要建立輸出電量信號的序列集合，再根據權重系數，計算圖像內亮度信息的乘積表達形式。一般情況下，權重系數的定義值越大，圖像內亮度信息的乘積表達形式也就越清晰，整幅圖像的邊緣連線也就越平滑[4-5]。設電力圖像的核心像素點坐標為O(x0,y0)，在橫向區域系數e1≠0、縱向區域系數e2≠0 不等式條件恒成立的情況下，可將電力圖像均值信息的獲取表達式定義為：

式中，λ表示輸出電量信號的權重系數，x1、x2表示兩個不同的像素點橫坐標，y1、y2表示兩個不同的像素點縱坐標。為了更好應對電力圖像均值信息的表達問題，在深度學習理論應用過程中，必須保留已知的邊緣節點像素信息參量。

1.2 灰度變換

灰度變換是配電信號處理中圖像增強的關鍵處理步驟之一，能夠改善原始電力圖像的實時顯示效果。經過灰度變換處理之后，目標節點在電力圖像中的波動范圍會不斷增大，與此同時，也會使得電力圖像的灰度值對比度參量得到擴展[6]。在深度學習算法的作用下，灰度變換屬于一種點運算處理方法，其應用本質是在指定的動態范圍內，計算與目標像素點匹配的灰度值系數，再通過改變初始范圍條件的方式，實現對計算結果精度值的不斷約束[7]。若將原始電力圖像記為a(x,y)，像素的灰度取值范圍為[α,β]；變換后的電力圖像記為a＇(x＇,y＇)，像素的灰度取值范圍為[α＇,β＇]，則可將灰度變換表達式定義為：

一般來說，根據電力圖像目標自動識別映射函數的不同，灰度變換處理又可以繼續細化為線性灰度變換、非線性灰度變換、分段線性灰度變換等多種不同的表現形式。

1.3 顏色還原

顏色還原可將呈現為灰度狀態的電力圖像再次還原為彩色狀態，根據目標節點所表現出明暗程度的不同，電力圖像邊緣的平滑水平也會有所不同[8-9]。規定r1、r2、…、rn分別代表n個不同的色彩分量，在還原標度系數ε=0.01 的情況下，聯立式（2），可將電力圖像的顏色還原表達式定義為：

式中，φ表示電力圖像中灰度目標節點的取值系數。對于電力圖像而言，同時已知灰度變換法則與顏色還原法則，就可以實現對原始圖像中目標節點的增強處理。

2 基于深度學習的目標自動識別

根據電力設備的圖像增強原理，按照圖像目標標簽校正、邊緣特征分割、識別節點匹配的處理流程，實現基于深度學習的電力圖像目標自動識別方法的順利應用。

2.1 電力圖像的目標標簽校正

利用目標標簽的電力圖像校正方法，其理論依據就是利用深度學習算法，對圖像中的節點對象進行透視變換處理。在圖1 所示的深度學習網絡中，輸入層節點個數決定了電力圖像目標標簽的輸入數量，為保證灰度變換與顏色還原理論的順利應用，所設置的輸入層節點個數不宜過多[10]。隱藏層節點決定了目標標簽所具備的圖像標記能力，該層節點結構不具備自主變化的能力，數量水平會隨著輸入層節點數量的增減而不斷變化[11]。輸出層節點只負責輸出經過目標標簽標記后的電力圖像信息。

圖1 深度學習網絡示意圖

設代表單位時間內的電阻率均值，f代表電阻接入系數，ΔT表示電力圖像目標識別的單位作用時長，D代表輸入層節點的實際接入個數，聯立式（3），可將電力圖像的目標標簽校正條件表示為：

果然，僅用了10天時間，程曉就諳熟了市場營銷的相關專業知識，半個月后就做成了一張大單，個人獲得5000元的報酬。程曉發現，在當今這個金錢社會里，要當好一名成功的營銷員，其實口才加專業知識加客戶資源往往也只占一半，另一半要靠一副好的“行頭。而擴大客戶資源，就要廣交圈內人士，就必須經常出入一些重要場所，比如行業內的聚會和主題Party，進入這些場合，也必須要有好的“行頭”，人家才會信任你，高看你，所以，擁有成功人士的行頭，往往可能已經成功了一大半！

為了便于后續識別指令的執行，校正后的目標標簽必須對電力圖像中的所有節點進行標記。

2.2 邊緣特征分割

經過目標標簽的校正處理后，電力圖像中大部分內容都可以被識別主機直接檢測出來，但對于非光滑區域的邊緣特征而言，其目標點處的圖像信息極易被周圍像素點掩蓋[12-13]。而邊緣特征分割機制的存在，不但剔除了不相干的像素點組織，也對待識別電力圖像的邊緣節點進行了平滑處理，在此過程中，電力目標節點處損失的功率數值能夠得到大量補充，這也是功率數值下降趨勢能夠得到有效抑制的主要原因。在分割之前，有必要將所有不滿足深度學習需求的電力圖像目標節點全部剔除，一方面將光滑區域的邊緣特征與非光滑邊緣特征較好融合；另一方面也可將電力目標節點處的功率數值損失量控制在既定水平標準內[14]。設pmin代表電力目標節點處的功率數值損失量最小值，pmax代表損失量最大值，c0代表電力圖像邊緣特征的起始判定條件，kc0代表c0判定條件下的電力圖像目標分割特征值，ξ代表電力圖像光滑區域內的像素點判定系數，聯立式（4），可將電力圖像目標的邊緣特征分割條件表示為：

在深度學習網絡中，當目標標簽與邊緣特征點距離較近時，電力圖像邊緣區域的光滑性程度也就越高。

2.3 識別節點匹配

識別節點匹配是電力圖像目標自動識別方法設計的末尾處理環節，可在深度學習理論的支持下，對已知的邊緣特征分割結果進行深度加工，一方面建立電力圖像目標與標簽結構之間的映射連接關系；另一方面也可以實現對灰度變換法則與顏色還原法則的繼續加工[15-16]。設δ1、δ2代表兩個不同的電力圖像目標節點定義系數，m代表目標標簽的匹配權限值，聯立式（5），可將識別節點匹配結果表示為：

其中，ω表示電力圖像目標的識別映射系數，ΔA表示單位時間內的圖像目標節點識別總量，lˉ表示圖像信息的識別均值量。在深度學習網絡的影響下，電力圖像識別節點匹配處理必須以標簽校正原則為基礎，在準確分割邊緣特征參量的同時，實現對目標節點處功率數值下降趨勢的有效控制。

3 實例分析

在配電網環境中，隨著電信號輸出量的增大，目標節點處電力圖像所呈現出的變現形式也會不斷改變，在此情況下，由于電量感應行為的變化，該節點處的電功率數值會出現一定程度的下降，且這種功率數值下降趨勢，勢必會使電信號輸出行為受到擾動影響，一般來說，電功率數值的下降趨勢越明顯，電信號輸出行為所受到的擾動影響也就越強烈。

分析圖2 可知，隨著實驗時間的延長，目標識別節點處的電功率數值會出現兩次明顯的下降趨勢，第一次數值下降行為出現在5～10 min，第二次數值下降行為出現在10～15 min，且第一次的下降幅度明顯高于第二次。

圖2 常規電功率數值

截取第一次下降時、第二次下降時的常規電功率數值作為實驗對象，分別利用深度學習網絡與Faster-RCNN 模型對以獲取的電功率數值進行處理，其中前者作為實驗組，后者作為對照組。

圖3、圖4 反映了實驗組、對照組電功率數值與理想數值的對比情況。

圖3 5～10 min電力圖像目標識別曲線圖

分析圖3 可知，在5～10 min 時間內，實驗組、對照組電功率的實測數值均低于理想數值，但對照組的數值下降趨勢更加明顯，整個實驗過程中，對照組最大值僅能達到189 W，與理想最大值276 W 相比，下降了87 W；實驗組最大值達到了254 W，與理想最大值276 W 相比，僅下降了22 W。

分析圖4 可知，在10～15 min 的實驗時間內，實驗組、對照組的電功率實測數值也始終低于理想數值，相較于實驗組而言，對照組的數值下降趨勢更為明顯。整個實驗過程中，實驗組電功率最大值達到了182 W，與理想最大數值197 W 相比，下降了15 W；對照組電功率最大值卻僅能達到100 W，與理想最大數值197 W 相比，下降了97 W。

圖4 10～15 min電力圖像目標識別曲線圖

綜上可知，應用基于深度學習的識別方法、改進Faster-RCNN 型定位方法后，電力目標節點處的功率數值下降趨勢均不會發生改變，但明顯前者對于這種下降行為的抑制性作用能力更強，可有效縮小電功率最大值與理想最大值之間的差值水平，從而避免配電網環境中出現強烈擾動的信號量輸出情況。

4 結束語

與改進Faster-RCNN 型的定位方法相比，新型電力圖像目標自動識別方法在深度學習網絡的作用下，結合灰度變換、顏色還原理論，在準確獲取圖像均值信息的同時，對目標標簽進行校正處理，且由于邊緣特征分割權限量的存在，各類識別節點能夠得到較好匹配，不但解決了實際電力圖像與其原始成像之間的差異性問題，也可較好安排目標節點所處的實時位置。從實用性角度來看，在實際應用過程中，電力目標節點處的功率數值下降趨勢得到了有效控制，能夠避免輸出信號受到強烈的擾動影響，對維持配電網信號的傳輸穩定性起到一定的促進性作用。