[发明专利]基于度量的电力图像环境影响评估方法

说明书

本发明属于图像分类、电力设备维护技术领域，为提出一种基于的电力图像环境影响评估方法，用于确定电力图像的受环境影响级别。为此，本发明采用的技术方案是，基于度量的电力图像环境影响评估方法，构建相应电力系统环境下已确定环境影响类别和影响级别的数据库，建立卷积神经网络模型，利用数据库中图像对模型进行训练，分别对数据库中电力图像和实际采集的电力图像进行特征提取，利用数据库中部分图像作为监督样本构建哈希映射，将数据库图像和实际采集图像进行映射得到哈希码，并进行距离度量以确定电力图像的受环境影响级别。本发明主要应用于电力设备维护场合。

技术领域

本发明属于图像分类、电力设备维护技术领域，具体讲,涉及一种利用卷积神经网络的基于度量的电力图像环境影响评估方法。

背景技术

随着数字图像处理技术在军事、工业、医学、气象等领域的广泛应用，电力图像的采集和处理也在提高电力生产和传输过程中的安全性和经济性方面发挥着越来越大的作用。电力图像的获取过程往往会受到环境的不同种类和不同程度的影响，不可避免地产生失真。对电力数字图像所受到的环境影响准确地进行评估是工程技术人员进行后续算法设计、系统优化、参数估计的重要前提。

环境影响评估可通过主观评估方法由一定数量的观测人员按规定测试流程进行，但过程复杂费时，且评估结果易因人而异，测试环境、观察人员的文化背景、自身情绪、观察动机等因素都会影响评估结果的准确性。主观评估方法通常作为一种辅助手段，用来验证客观评价结果的有效性、准确性及与主观感受的一致性。通过软件或仪器进行客观的环境影响评估，结果具有数值性，易操作性和可重复性，故更需要具有更高有效性的环境影响评估方法。

对电力图像进行环境因素相关的特征提取作为进行环境影响级别相似性度量的基础，需要依照实际图像类型与特点，以相似性比对为目的进行。按照给定的算法和要求，提取图像的相关特征。电力图像的环境因素特征分为三个层次：包含图像的颜色、纹理、形状等低层特征的感知层级，包含图像中对象之间的空间关系的逻辑特征层，包含对图像内容的抽象概念反映的抽象语义特征层。评估的需求也对应地分为三个层次：一是利用图像的低层特征及其组合进行度量，不利用图像的语义信息，是目前主要的方法。二是在逻辑特征基础上检测图像内容，在计算机获得对象概念的基础上可进行相似性度量得到有代表意义的对象。三是经过相关知识和主观判断，对实际物体进行描述，来对物体的抽象特征进行相似性度量。

早期特征提取中，全局特征通常将各类特征转化为单一全局表达来描述图像内容。传统方法如GIST、Edgel对图像内容的表征能力比较有限，主要适用于内容一致性较高的图像相似性度量，对处理背景复杂的图像效果不佳，可被用作补充部分以提高准确度。自从SIFT可检测出图像中具有显著视觉特性的局部区域，并对这些区域有非常稳定能力的特征描述^[1]，局部特征被大量用作图像表达。局部特征抽取包括兴趣点检测和局部区域描述。常用检测子包括差分高斯、最大稳定极值区域、Hessian仿射检测子、Harris-Hessian检测子和FAST，使兴趣点在不同的变换或改变中仍能被检测到。描述子应具有旋转不变性和区分性。自利用描述子阈值获得二值化SIFT后，产生了一种新的图像相似性度量方法，二值化特征BRIEF和其变体相继提出，如ORB、FREAK和BRISK，除梯度信息，边缘和颜色也可生成描述子，如Edge-SIFT和color-SIFT。由于描述子缺少学习能力，限制了其图像内容表达能力，难以适应多样的图像数据。

为生成更具有区分性和代表性的特征，还可以将数据驱动的方式用于学习特征。随着深度学习的发展，人们逐渐可以使用深度架构学习出接近人类识别过程的高层抽象，可从网络不同层抽取特征。Tang将DBN第一层采用稀疏化连接，同时利用概率降噪算法提高DBN输出特征对噪声的鲁棒性。Lee^[2]等构建了卷积深度置信网络，可从未标注的自然图像中学习有效的高阶表示。卷积神经网络(Convolutional Neural Network，CNN)可以自动地学习图像中的特征，避免了进行手动的特征选取和复杂的计算，可针对特定的环境因素评估问题得到具有较好区分性的高维特征。使后续度量返回的结果具有更加高的准确性。