一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 目前,視頻監(jiān)控系統(tǒng)對變電站存在的大量室內(nèi)外設(shè)備,在調(diào)度或集中監(jiān)控中心對 其進行直觀監(jiān)視。視頻監(jiān)控系統(tǒng)提升了對變電站安防能力。變電站現(xiàn)場視頻圖像中常常包 括變壓器、斷路器、母線、電線、絕緣子、建設(shè)物、鋼架等眾多物體,如何從視頻圖像中準確有 效的將眾多變電站物體進行區(qū)分、提取,是實現(xiàn)真正無人值守,智能值守的關(guān)鍵。
【發(fā)明內(nèi)容】
[0003] 目的:為了克服現(xiàn)有技術(shù)中存在的不足,本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的變電站 特征提取方法。
[0004] 技術(shù)方案:為解決上述技術(shù)問題,本發(fā)明采用的技術(shù)方案為:
[0005] -種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,包括步驟如下:
[0006] 步驟一:圖像的預(yù)處理和特征分割,將變電站現(xiàn)場圖像進行圖像灰度化、圖像背景 去除、圖像光照補償處理;將處理后的變電站現(xiàn)場圖像中有關(guān)電力設(shè)備和人員各部分按輪 廓分別分割出來;
[0007] 步驟二:計算輪廓形狀參數(shù)F和屬性標記,將各部分輪廓按公式(1)進行計算;并人 工按輪廓實際屬性進行標記;
[0008]
[0009] B為輪廓長度,A為輪廓面積;
[0010] 步驟三:隨機取N張變電站現(xiàn)場圖像,每張圖像進行步驟一、步驟二的處理,得到按 輪廓屬性分類的輪廓形狀參數(shù)F的數(shù)據(jù)矩陣;
[0011]步驟四:BP網(wǎng)絡(luò)初始化,用小的隨機數(shù)對每一層的權(quán)值w和偏差b初始化,以保證網(wǎng) 絡(luò)不被大的加權(quán)輸入飽和;
[0012] 步驟五:BP網(wǎng)絡(luò)訓(xùn)練,將步驟三中得到的數(shù)據(jù)矩陣輸入BP網(wǎng)絡(luò)進行訓(xùn)練,得到BP網(wǎng) 絡(luò)模型參數(shù):訓(xùn)練步驟為100,顯示訓(xùn)練結(jié)果的間隔步驟為25,訓(xùn)練目標誤差為0,訓(xùn)練允許 時間為Inf,訓(xùn)練中最小允許梯度值為LE-6;
[0013] 步驟六:將待測圖像的輪廓形狀參數(shù)F輸入BP網(wǎng)絡(luò)初始化,完成待測圖像屬性自動 識別。
[0014] 有益效果:本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,提高了變電 站視頻圖像分析的準確性和正確性,提高了變電站視圖像數(shù)據(jù)的利用價值。
【附圖說明】
[0015] 圖1為本發(fā)明的結(jié)構(gòu)示意圖。
【具體實施方式】
[0016] 下面結(jié)合附圖對本發(fā)明作更進一步的說明。
[0017] 如圖1所示,一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,包括步驟如下:
[0018] 步驟一:圖像的預(yù)處理和特征分割,將變電站現(xiàn)場圖像進行圖像灰度化、圖像背景 去除、圖像光照補償處理;將處理后的變電站現(xiàn)場圖像中有關(guān)電力設(shè)備和人員各部分按輪 廓分別分割出來;
[0019]步驟二:計算輪廓形狀參數(shù)F和屬性標記,將各部分輪廓按公式(1)進行計算;并人 工按輪廓實際屬性進行標記;
[0020]
[0021 ] B為輪廓長度,A為輪廓面積;
[0022] 步驟三:隨機取N張變電站現(xiàn)場圖像,每張圖像進行步驟一、步驟二的處理,得到按 輪廓屬性分類的輪廓形狀參數(shù)F的數(shù)據(jù)矩陣;
[0023]步驟四:BP網(wǎng)絡(luò)初始化,用小的隨機數(shù)對每一層的權(quán)值w和偏差b初始化,以保證網(wǎng) 絡(luò)不被大的加權(quán)輸入飽和;
[0024] 步驟五:BP網(wǎng)絡(luò)訓(xùn)練,將步驟三中得到的數(shù)據(jù)矩陣輸入BP網(wǎng)絡(luò)進行訓(xùn)練,得到BP網(wǎng) 絡(luò)模型參數(shù):訓(xùn)練步驟為100,顯示訓(xùn)練結(jié)果的間隔步驟為25,訓(xùn)練目標誤差為0,訓(xùn)練允許 時間為Inf,訓(xùn)練中最小允許梯度值為LE-6;
[0025] 步驟六:將待測圖像的輪廓形狀參數(shù)F輸入BP網(wǎng)絡(luò)初始化,完成待測圖像屬性自動 識別。
[0026] 以上所述僅是本發(fā)明的優(yōu)選實施方式,應(yīng)當指出:對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說,在不脫離本發(fā)明原理的前提下,還可以做出若干改進和潤飾,這些改進和潤飾也應(yīng) 視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,其特征在于:包括步驟如下: 步驟一:圖像的預(yù)處理和特征分割,將變電站現(xiàn)場圖像進行圖像灰度化、圖像背景去 除、圖像光照補償處理;將處理后的變電站現(xiàn)場圖像中有關(guān)電力設(shè)備和人員各部分按輪廓 分別分割出來; 步驟二:計算輪廓形狀參數(shù)F和屬性標記,將各部分輪廓按公式(1)進行計算;并人工按 輪廓實際屬性進行標記; 心歷 (1) 4πΑ Β為輪廓長度,Α為輪廓面積; 步驟三:隨機取N張變電站現(xiàn)場圖像,每張圖像進行步驟一、步驟二的處理,得到按輪廓 屬性分類的輪廓形狀參數(shù)F的數(shù)據(jù)矩陣; 步驟四:BP網(wǎng)絡(luò)初始化,用小的隨機數(shù)對每一層的權(quán)值w和偏差b初始化,以保證網(wǎng)絡(luò)不 被大的加權(quán)輸入飽和; 步驟五:BP網(wǎng)絡(luò)訓(xùn)練,將步驟三中得到的數(shù)據(jù)矩陣輸入BP網(wǎng)絡(luò)進行訓(xùn)練,得到BP網(wǎng)絡(luò)模 型參數(shù):訓(xùn)練步驟為100,顯示訓(xùn)練結(jié)果的間隔步驟為25,訓(xùn)練目標誤差為0,訓(xùn)練允許時間 為Inf,訓(xùn)練中最小允許梯度值為LE-6; 步驟六:將待測圖像的輪廓形狀參數(shù)F輸入BP網(wǎng)絡(luò)初始化,完成待測圖像屬性自動識 別。
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,步驟一:圖像的預(yù)處理和特征分割;步驟二:計算輪廓形狀參數(shù)F和屬性標記;步驟三:隨機取N張變電站現(xiàn)場圖像,每張圖像進行步驟一、步驟二的處理,得到按輪廓屬性分類的輪廓形狀參數(shù)F的數(shù)據(jù)矩陣;步驟四:BP網(wǎng)絡(luò)初始化;步驟五:BP網(wǎng)絡(luò)訓(xùn)練;步驟六:完成待測圖像屬性自動識別。本發(fā)明提供的一種基于神經(jīng)網(wǎng)絡(luò)的變電站特征提取方法,提高了變電站視頻圖像分析的準確性和正確性,提高了變電站視圖像數(shù)據(jù)的利用價值。
【IPC分類】G06K9/00, G06N3/08, G06K9/46
【公開號】CN105469097
【申請?zhí)枴緾N201510796277
【發(fā)明人】崔濤, 商少波, 胡永忠, 牛文渝, 程星鑫, 胡漢巧, 吳罡明
【申請人】江蘇省電力公司檢修分公司, 國家電網(wǎng)公司, 山西振中電力軟件有限公司
【公開日】2016年4月6日
【申請日】2015年11月18日