提高電廠設備圖像識別準確率的研究

浙江浙能電力股份有限公司蕭山發電廠 王興龍 孫 飛 程 甫 宋 斌 周齊輝

電力企業是我國市場內可以起到主導經濟發展的行業，隨著產業發展的持續推進，電廠設備呈現出種類多元化、結構復雜化、運行監測智能化的趨勢。與此同時，隨著電廠設備建設工作的不斷完善，電廠設備在運行中監測產生的數據量也對應呈現出指數增長現象，如何在此過程中實現對電廠設備圖像的精準識別、高效分析，成為了優化電力企業內部運營方式、提高電廠設備綜合運行水平的主要措施?？蒲袉挝粦矛F代化定位技術、探傷技術、無損檢測技術、覆冰評估技術、紫外線技術等，進行電廠設備圖像識別方法的優化設計。

盡管不同技術的應用為電廠設備識別工作帶來了便利條件，但大部分電力企業在進行電廠設備巡回檢查時，使用現有的方法無法做到對設備反饋運行圖像的準確分類與識別，影響設備圖像識別的準確率。

為了實現對電廠設備的規范化管理，提高管理過程中電廠設備圖像識別的準確率，設計一種針對電廠設備圖像的全新識別方法。引進GoogLeNet模型對輸入層信息進行密集化處理，得到圖像擬合結果后進行重疊處理，提取不同圖像中的重疊區域，將其作為電廠設備圖像特征；引進Faster技術，采用對圖像旋轉、隨機剪裁、去噪處理等方式，優化電廠設備圖像；引進邊緣檢測法對圖像梯度進行計算與分類，實現對圖像的分類與識別。通過對比實驗證明，設計方法的識別結果準確率在99.8%以上，說明本文設計方法可以在實際應用中起到提升電廠設備圖像識別準確率的作用。

1 提高電廠設備圖像識別準確率的研究

1.1 基于GoogLeNet模型的電廠設備圖像特征提取

為了實現對電廠設備圖像的精準識別，在本章的研究中引進GoogLeNet模型，進行設備掃描圖像中特征信息的針對性提取。傳統的圖像特征采集大多為人工，而人工采集只能通過視覺進行圖像顏色、圖像中設備外形等較為直觀的參數判斷圖像類別。但電力企業中的設備種類較多，且不同類型的電廠設備可能存在外形或顏色相似的特點[1]。加之在掃描電廠設備圖像時，成像結果可能受到采集過程中光線、背景等外在因素的影響，出現不同程度上的圖像損耗。一旦在此過程中技術人員出現視覺層面的偏差，便會出現識別錯誤的問題[2]。因此，輔助使用現代化視覺模型進行設備圖像的掃描與特征提取，是十分有必要的。對基于GoogLeNet模型的圖像掃描過程進行描述，如圖1所示。

圖1 基于GoogLeNet模型的電廠設備圖像掃描

利用模型中的Relu激活函數，對模型中的輸入層信息進行密集化處理，通過此種方式得到模型對圖像的擬合結果。對擬合結果進行重疊處理，提取不同圖像中的重疊區域，將其作為電廠設備圖像特征。

1.2 電廠設備圖像的增強處理

完成對電廠設備圖像的特征提取處理后，引進Faster技術對具有顯著特征的圖像進行信號增強處理，保證在掃描圖像過程中該圖像具有較高清晰度。

在掃描到一張電廠設備圖像后，先進行圖像的錄入與讀取，檢索圖像的邊框，對其進行左旋轉右旋轉，增加樣本圖像集合中不同角度下的圖像[3]。將每一次完成處理后的圖像標注為一個分項樣本，將其用.XML的格式進行存儲。將分項樣本生成的文件作為標注文件，生成此文件主要是為了記錄圖像中識別目標在二維平面中的坐標位置。在操作圖像時本體內容會發生旋轉，對應的目標框也將發生旋轉，可根據旋轉的角度進行圖像的精準描述。

在此基礎上，對電廠設備圖像進行隨機裁剪處理，考慮到圖像識別過程中可能存在識別目標被遮擋的問題，而圖像中目標內容出現缺失會造成檢測結果偏差。因此，有必要根據前端輸入的識別指令，對訓練樣本集合進行裁剪處理，通過此種方式保證識別內容在目標框內保持完整。

由于在掃描或識別圖像過程中不同圖像的灰度不同，可能造成圖像識別精度差的問題。因此，還需要在完成對電廠設備圖像的基礎處理后，進行圖像的噪聲去除處理[4]。在此過程中，電廠設備圖像會在神經網絡內發生迭代或過度擬合的問題，此時圖像中的一些高頻特征信息將發生扭曲，嚴重情況下甚至會出現圖像失真。因此，可采用將特征區域圖像進行離散化處理的方式，提取圖像特征散點信息，根據散點信息的分布，在圖像中均勻增加少量的高斯噪聲，獲得一個失真度較低的圖像。

將此過程表示為下述計算公式：VL=(2n+1)c/l k，式中：VL表示為失真度較低的電廠設備圖像；n表示為圖像中的數據點；c表示為圖像分辨率；l表示為高斯噪聲分布；k表示為圖像魯棒性。按照上述計算公式與上文提出的步驟，完成對電廠設備圖像的處理。

1.3 基于邊緣檢測法的圖像分類與精準識別

完成上述處理后，引進邊緣檢測法，在電廠設備圖像中增加待識別點，根據圖像的處理模式，選擇復雜度較低的Roberts算子作為分類算子，采用對圖像梯度進行計算的方式，掌握對應圖像在空間中的所屬類別。計算公式如下式中：R表示為電廠設備圖像在空間中的所屬類別；V12與V22表示為算子對圖像識別的不同維度。

完成對圖像類別的劃分后，提取圖像的雙峰值與谷值，將圖像中不同位置的灰度值表示為 ，將 作為圖像閾值分割的依據。在此過程中應明確，圖像的峰值與谷值不是唯一的，因此，需要在提出參數的基礎上，將閾值作為圖像分類的依據。根據算子對圖像中目標物體的分割，提取圖像中的關鍵識別目標。將關鍵識別目標作為一個特定區域，將其存儲在MatLab程序中，通過程序對不同目標的匹配進行電廠圖像的分類[5]。

將不同圖像識別目標的匹配度作為分類依據，當兩個識別目標的匹配度＜70.0%時，說明兩個圖像不屬于相同類別的圖像，需要將其歸屬為兩個類別；當兩個識別目標的匹配度在71.0%～85.0%時，說明兩個圖像存在相同類別劃分的可能性，但也不排除兩個圖像是不同類別中的結構類似設備，需要采用獲取圖像細部信息的方式，進行圖像的進一步識別，并根據細部識別與掃描結構對其進行分類；當兩個識別目標的匹配度＞86.0%時，說明兩個圖像屬于相同類別的圖像，需要將其歸屬為相同類別。按照上述方式實現對電廠設備圖像的分類與識別。

2 對比實驗

為了檢驗本文設計的方法可以在實際應用中起到提升識別結果準確率的效果，下述將通過對比實驗，對設計的識別方法綜合性能進行檢驗。

實驗中，選擇某大型電力企業作為實驗單位，在與此單位負責人簽訂了合作協議與實驗條例后，在此單位的電力設備管理部門終端設備中隨機抽取1000.0張電廠設備圖像，將其作為樣本圖像。樣本圖像中的電廠設備包括斷路器設備圖像、電流互感器設備圖像、絕緣子設備圖像、避雷針設備圖像、電壓互感器設備圖像等，所有電廠設備的圖像均來自電力企業運營過程中的實拍。

本次實驗所選的1000.0張電廠設備圖像中，共包括700.0張訓練集合圖像、200.0張驗證集合圖像與100.0張測試集合圖像，不同類別的電廠設備圖像的比例相同。對圖像進行預操作處理，通過此種方式實現對圖像分辨率的轉換，確保測試樣本圖像的分辨率為299.0×299.0。進行實驗環境的布置，將圖像的測試環境與訓練環境集成在Windows 10的計算機系統中，配置計算機設備的有效運行位數為64.0。在此基礎上，選擇GTX-860N的GPU，選用java語言作為計算機編程語言，設定終端對圖像的深度學習框架為Tensorfiow。

按照本文設計的流程，先建立一個GoogLeNet模型，對電廠設備圖像特征信息進行提取?？蓪⒋诉^程作為圖像的訓練過程，設定圖像的深度學習行為發生率為0.001，每執行一次圖像迭代處理行為，都可以完成對至少50.0張圖像的篩查。每發生500.0次迭代，可以進行一次驗證集合準確率的篩查，每發生2000.0次迭代處理行為，可以構建一次訓練模型。按照此種方式，完成對電廠設備圖像的特征提取。在此基礎上，按照操作行為對電廠設備圖像在迭代處理中的反饋信號進行增強處理，并引進邊緣檢測法對電廠設備圖像進行首次識別，識別后對具有相同特征的圖像，按照設備屬性與類別進行劃分。對電廠設備圖像的類別劃分結果如圖2所示。

圖2 電廠設備圖像的類別劃分結果

圖2中類別一中的圖像為電廠斷路器設備圖像；類別二中的圖像為電廠電流互感器設備圖像；類別三中的圖像為電廠絕緣子設備圖像。從上述圖2所示的電廠設備圖像分類結果可以看出，本文設計的方法可以在實際應用中實現對圖像的精準分類與識別。

為了進一步感知并檢驗本文方法的優勢，在此基礎上，引進融合SE-Attention技術的圖像識別方法作為傳統方法，使用傳統方法對測試樣本圖像進行識別。實驗中，分別使用本文設計的識別方法與傳統識別方法，對測試樣本集合進行掃描與迭代識別，以測試樣本集合中電場設備圖像P為例，當對P識別后，對應的圖像P可以被精準劃分到其所屬類別時，證明完成對圖像P的識別。按照上述方式進行不同類別的識別，計算識別結果的準確率，統計本文方法與傳統方法的實驗結果，如表1所示。

從表1所示的實驗結果中可以看出，本文設計方法的識別結果準確率在99.8%以上，而傳統方法的識別結果準確率在90%以上。說明本次設計成果可以在實際應用中起到提升電廠設備圖像識別準確率的作用。

表1 兩種方法對電廠設備圖像識別的準確率對比結果

3 結語

為了避免由于識別行為不當造成的電廠設備運行異常，電力單位提出了人工輔助智能化技術的設備圖像識別方法。但由于人工識別與輔助分類具有準確率差的問題，導致終端經常出現對電廠設備決策失誤的行為，此種誤判行為不僅會制約設備的安全可靠運行，還會影響電廠對電力設備的巡檢效率。

因此，本文綜合了傳統方法的不足，從基于GoogLeNet模型的電廠設備圖像特征提取、電廠設備圖像的信號增強處理、基于邊緣檢測法的圖像分類與精準識別三個方面，開展了提高電廠設備圖像識別準確率的研究。完成對此方法的設計后，選擇某大型電力企業作為實驗單位，設計對比實驗，通過實驗證明本次設計成果可以在實際應用中起到提升電廠設備圖像識別準確率的作用。