基于DCNN技術的無人值守變電站智能監測模型優化設計

林 洪,文 雷,牛健飛,穆明亮,李金林,李昊敏

(國網山東省電力公司 濱州供電公司,山東 濱州 256600)

無人值守變電站監測由于受成像設備和拍攝環境等因素影響,直接獲得監測高分辨率圖像存在一定難度[1-3]。而將低分辨率圖像轉換為高分辨率圖像是最直接,也是最簡便的獲取監測高分辨率圖像的方法。提出利用多感受野拉普拉斯生成對抗網絡完成圖像超分辨率重建[4]。將注意力機制與層次特征相融合,研究了一種適用于輕量化圖像的超分辨率重建算法[5]。以深度學習的生成對抗網絡為基礎,通過將傳統殘差網絡改為密集殘差塊,結合判別器網絡,實現圖像重建[6]。結合上述算法的優缺點,為了提高監測圖像質量,以深度卷積神經網絡(DCNN)為基礎,提出了一種全新的無人值守變電站監測圖像超分辨率智能重建方法。

1 DCNN的無人值守變電站監測圖像重建

1.1 無人值守變電站監測圖像圖像預處理

通過降質退化模型[7]分析無人值守變電站監測圖像分辨率的影響因素,并預處理圖像。利用式(1)表示無人值守變電站監測圖像降質退化模型:

L=DBFH+N

(1)

式中:L、H分別表示無人值守變電站監測的低分辨率圖像和高分辨率圖像;D表示降采樣矩陣[8];N表示加性噪聲;B、F分別表示模糊作用矩陣和運動變換矩陣。將硬閾值與軟閾值結合,去噪處理無人值守變電站監測圖像加性噪聲。給定一個閾值χ,處理噪聲,在處理后,通過反變換重構圖像。

硬閾值函數表達式為:

R(L)=?I(|L|?χ)

(2)

式中:?為Contourlet系數;I(·)為邏輯判斷函數。

軟閾值函數表達式為:

R'(L)=(?-sgn(d)χ)I(|L|?χ)

(3)

將上述閾值結合,得到預處理后的無人值守變電站監測圖像,公式為:

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

(4)

式中:R為經過去噪處理后的Contourlet系數。經過上述閾值去噪后的圖像,完成了無人值守變電站監測圖像預處理。

1.2 基于DCNN模型的特征提取

DCNN作為深度學習算法中最基礎的一種模型[9],作用與特征提取器類似,具體如圖1所示。

圖1 DCNN基本結構圖

在DCNN模型中,卷積層主要作用是輸出特征圖,該模型在不斷地訓練過程中學習得到合適的權值[10]。池化功能是下采樣。在卷積層和池化層后面是全連接層。全連接層的最后一層為輸出層。特征提取可以得到與原始圖像對應的特征圖。用DCNN模型訓練獲得低分辨率圖像,并且獲得卷積核及特征圖,在此引入激活函數[11],經過計算后得到無人值守變電站監測特征圖,公式為:

(5)

引入了殘差網絡結構,使不同層次之間的卷積層建立聯系,通過這種聯系對特征圖的殘差實現擬合,并且將密集塊結構添加到殘差網絡的中間層,使得所有層次都具有連接性。

1.3 無人值守變電站監測圖像聯合重建

經過特征提取后,將無人值守變電站監測的高分辨率圖像與低分辨率圖像組成圖像對[12-14],對應的邊緣圖像也組成圖像對,2組圖像對(即4個特征圖)間有著相同的稀疏表示,即受同一個稀疏表示所約束。將聯合稀疏表示這一過程用多元線性回歸問題描述,公式為:

(6)

式中:α為稀疏表示系數;ε為一個極小的常數;B為DCNN模型的深度[15];G為深度圖像;F2(·)表示DCNN第2層向量映射操作。深度圖像為:

(7)

式中:E1、Eh分別表示無人值守變電站監測的低、高分辨率圖像集;λ1、λ2、λ3、λ4表示權重的超參數。

將式(6)約束問題利用拉格朗日法轉換為無約束問題,公式為:

(8)

利用梯度算子結合聯合稀疏表示從無人值守變電站監測低分辨率圖像中提取邊緣信息,組成邊緣圖像對,這里需要用到目標函數[16]:

(9)

(10)

綜上所述,完成基于DCNN[18-19]的無人值守變電站監測圖像超分辨率智能重建方法設計。

2 實驗測試

2.1 實驗準備

為了驗證所提方法是否可以取得理想的無人值守變電站監測圖像重建效果,開展實驗測試。操作系統為Ubuntu14.04,圖像來源為某無人值守變電站監測圖像。隨機選取一幅圖像為重建效果對比對象。

2.2 圖像超分辨率智能重建方法參數設置

為了保障實驗的準確性,設置無人值守變電站監測圖像超分辨率智能重建方法參數,如表1所示。

表1 圖像超分辨率智能重建方法參數

按照上述表1中的數值,設置基于DCNN的無人值守變電站監測圖像超分辨率智能重建方法參數數值。

2.3 性能分析

為了分析所提方法的性能,采用直觀地觀察重建后的圖像、峰值信噪比(PSNR)和結構相似性(SSIM)3個性能評價指標客觀評價重建無人值守變電站監測圖像質量。利用降質退化模型得到一幅對應的無人值守變電站監測低分辨率圖像,將其作為輸入,分別利用所提方法、多感受野拉普拉斯生成對抗網絡(文獻1)與注意力機制(文獻2)重建圖像,結果如圖2所示。

(a)注意力機制

由圖2可以看出,經過所提方法重建后的無人值守變電站監測圖像,其質量和結構與原始圖像都非常接近,細節表現的非常豐富,同時邊緣信息保留完整。反觀其他2種方法,重建后的圖像均出現了邊緣模糊和的情況,細節保留的并不完整,局部區域較為模糊圖像整體質量不高。

為了進一步分析所提方法的性能,分析3種重建算法重建圖像的峰值信噪比和結構相似性,評價結果如圖3所示。

(a)3種算法PSNR值對比

由圖3可知,所提方法的PSNR值和SSIM值曲線整體均高于對比方法,并且PSNR值達到了47.5 dB,SSIM值達到了0.97,對比多感受野拉普拉斯生成對抗網絡和注意力機制的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,說明所提方法重建的無人值守變電站監測圖像具較高的質量。

3 結語

為了有效改善無人值守變電站監測低分辨率圖像峰值信噪比和結構相似性低問題,提出基于DCNN的無人值守變電站監測圖像超分辨率智能重建方法。分析導致無人值守變電站監測圖像分辨率降低的影響因素,引入DCNN模型,輸入低分辨率圖像,獲取特征圖和局部特征,使高、低分辨率圖像以圖像對的形式組合,同時生成圖像對的邊緣圖像對,聯合圖像后,實現無人值守變電站監測圖像超分辨率智能重建。

實驗結果表明,該方法的細節保留最完整,邊緣處理理想。同時,在PSNR和SSIM 兩個方面,均取得較好的表現,其中PSNR值達到了47.5 dB,SSIM值達到了0.97,比文獻方法提高了1.5 dB和0.20以上,進一步驗證了所提方法在無人值守變電站監測圖像超分辨率重建方面的有效性。