[发明专利]一种输电设备图像异常检测方法

说明书

本发明公开了一种输电设备图像异常检测方法，包括如下步骤：S1、获取历史巡检图像，通过增强图像对比度的方式实现图像特征增强；S2、通过滤波技术过滤无用像素值，放大图像特征；S3、构建Light CNN网络模型实现图像异常检测。S2包括如下步骤：S21，从第一行开始遍历图像的像素点，计算每个像素点的通道平均值；在获得通道平均值后过滤掉大于设定阈值T_h的像素点；S22，计算每行中被过滤掉的像素数的最小值m作为每行要过滤的像素数；垂直遍历图像，重复执行S21和S22；方案结合实际场景特征的图像增强技术，有效地改善了图像中异常检测目标的特征表示，并构建了一种新的轻量级模型Light CNN，能够更好地满足计算资源不足的终端设备的需求。

技术领域

本发明涉及图像处理技术领域，具体的，涉及一种输电设备图像异常检测方法。

背景技术

随着电网系统规模的不断扩大，如何对输电设备进行有效的检测和维护已成为业界关注的重点。为了减少巡检过程中的人力消耗，目前的方法主要是派无人机进行巡检拍照，然后利用深度学习识别故障设备。但是为了不影响人们的日常生活，大多数电力传输设备通常建在植被茂盛的农村地区。这使得无人机拍摄的电力设备照片存在目标不够准确清晰的问题，异常检测目标往往受到背景环境的影响，这严重影响了异常识别效果。此外，受到终端设备计算资源的限制，研究输电设备巡检图像异常特征量的简化分析方法也很必要。

发明内容

本发明的目的是提出一种输电设备图像异常检测方法，采用结合实际场景特征的图像增强技术，有效地改善了图像中异常检测目标的特征表示，并构建了一种新的轻量级模型Light CNN，能够更好地满足计算资源不足的终端设备的需求。

为实现上述技术目的，本发明提供的一种技术方案是，一种输电设备图像异常检测方法，包括如下步骤：

S1、获取历史巡检图像，通过增强图像对比度的方式实现图像特征增强；

S2、通过滤波技术过滤无用像素值，放大图像特征；

S3、构建Light CNN网络模型实现图像异常检测。

作为优选，S1中，使用线性变换增强原始图像对比度，对比度增强后的图像g(x，y)表示为：

原始图像f(x，y)的灰度范围为[m，M]，经过处理的图像g(x，y)的灰度范围为[n，N]，当转换因子时，变换灰度的动态范围变小，反之亦然。

作为优选，S2包括如下步骤：

S21，从第一行开始遍历图像的像素点，计算每个像素点的通道平均值；在获得通道平均值后过滤掉大于设定阈值T_h的像素点；

S22，计算每行中被过滤掉的像素数的最小值m作为每行要过滤的像素数；垂直遍历图像，重复执行S21和S22。

作为优选，S22包括如下步骤：

使用Fisher Yates随机错位法破坏每行中的滤波像素，并随机移除m个像素。

作为优选，S3包括如下步骤：

S31，H×W×3的图像作为Light CNN网络模型的输入，利用卷积块学习输入图像的特征，得到特征图；其中，卷积块包括卷积层、批归一化层、激活层和最大池化层；

S32特征图经过全连接层以得出最终结果，其中结果为“是”表示检测图像中的异常，反之亦然。

作为优选，S31包括如下步骤：

S311，卷积层对原始图像进行卷积核滤波，得到图像的特征映射；

S312，通过批归一化层规范输入值，并将尺度方差减小到相同的范围；

S313，通过Leak ReLu激活函数来增加模型的非线性；

S314，使用最大池化层来压缩数据，提取特征图。

作为优选，S311中，卷积层的输出通过多个卷积核运算得到：