结合纹理参数和GA-BP神经网络的电力设备图像识别*

刘玉成 曹春诚 邓 斌

（1.国网呼伦贝尔供电公司 呼伦贝尔 021100）（2.保定市毅格通信自动化有限公司 保定 071000）

1 引言

随着我国电力事业的发展，对电能质量提高和电网正常运行的压力越来越大。设备数量多，线路布线复杂，使得电网系统更加的复杂。这些因素都会使得故障诊断较为复杂。由于计算机视觉技术的迅速发展，红外热成像技术、紫外成像等技术广泛的应用到电网中；红外热成像技术和紫外成像技术都可以实现设备运行状态下的故障定位及诊断，非常安全可靠。也可以将这些技术通过无人机和机器人搭载镜头完成巡线等工作［1～5］。大量图像数据能够提高电网的智能化水平，但是，目前监控设备并不能对这些图像进行智能识别，而是通过人工的方法对图像进行分类、分析和识别，这样不仅浪费了大量时间、工作效率低，而且判断的结果也不准确。对电力设备的智能识别不但可以解决以上问题，还有利于及时发现设备故障，提高电网安全运行水平［6～10］。

为了提高电力设备识别率，结合GA-BP神经网络与图像纹理参数方法进行电力设备识别。图像纹理信息不同于颜色、灰度等特征，描述的是图像对比度和粗糙度等。GA-BP神经网络通过GA算法中的染色体特性优化BP神经网络的连接权值和阈值，为精准图像识别提供了保障［11～16］。

2 灰度共生矩阵

灰度共生矩阵是计算图像纹理参数的常用方法［8～13］。从任意图像I中取任意一移动点（x，y），将点（x，y）在图像I上移动，会得到各种灰度值（i，j），将各灰度值排列成一个方阵并统计灰度值（i，j）出现的次数，（i，j）出现的总次数进行归一化处理得到出现的总概率P（i，j），如此操作即可得到灰度共生矩阵。图1为距离相对中心点1时，四个方向像素点位置图。

图1 距离为1四个方向像素对位置

灰度共生矩阵中包含图像的二次统计特征值，其中包括能量、对比度、熵、相关性等参数信息。

ASM（Angular Second Moment）代表能量，是纹理特征量中一个非常重要的参数，可以反映图像的均匀程度、纹理粗细度。

CON（Contrast）代表对比度，灰度共生矩阵的对象线数据影响着CON的值，对比度越高图像质量越好。

ENT（Entropy）代表熵，其值越大图像越复杂但是图像质量也更清晰。

COR（Correlation）代表相关系数，μx和μy是均值，σx和σy是方差。它主要体现图像局部特征的相关性信息。

在进行图像纹理参数获取前，需要保证处理图像大小和显示区域的大小是否符合，然后使用RGB三通道计算图像灰度值，由得到的灰度共生矩阵可以得到不同方向下的纹理参数，将其值输入到GA-BP神经网络中进行训练学习。纹理特征值计算流程图如图2所示。

图2 纹理参数特征值计算流程

3 GA-BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是应用较为广泛的神经网络模型之一［17］。

其结构图如图3所示。

图3 BP神经网络结构图

从图3可以看出，BP神经网络一般由输入层、隐含层、输出层构成，网络训练过程中可以通过调节网络的权值与阈值减小网络误差。一般地，BP神经网络算法流程如下：

1）设置初始权重值，一般选用较小非零实数。

3）对于样本P，算法的计算过程为

反向过程为

4）修正权值为

其中BP神经网络包括了如下两种学习方式。

Pattern学习方式：

Epoch学习方式：

一般GA算法优化BP神经网络由优化网络结构、优化神经网络的权值、优化学习系数三部分构成。本文所提方法中神经网络权值优化使用遗传算法，采用GA算法寻找最优初始权值，最优解利用BP神经网络搜索。优化权值步骤如图4所示。

图4 GA算法优化BP神经网络结权值

GA-BP神经网络的数学表达式如下：

其中：

为期望输出，为网络的实际输出，ε1为误差系数，则：

用GA算法求解式（5）。

当式（8）成立时，就可以用GA-BP神经网络算法解决实际问题。

虽然BP神经网络有一定的泛化能力但是在训练过程中BP神经网络收敛速度很慢，且容易局部达到最优。如果直接应用BP神经网络完成图像识别，将会有较大的误差，因此提出用遗传算法优化的BP神经网络。遗传算法是一种模拟自然选择进化过程的方法，它可以模仿自然计划过程找到全局最优解。GA-BP算法的基本原理是首先使用遗传算法找到全局最优解，并将其作为BP算法的初始权重值，输入到BP神经网络中，经过BP神经网络的训练学习可以输出所需结果。使用GA-BP神经算法的优势在于网络权值阈值已经过优化，这可以有效解决BP神经网络容易陷入局部最优的问题。步骤如图5所示。

图5 GA-BP神经网络流程图

4 实验

使用图像纹理参数信息和GA-BP神经网络算法进行电力设备图像识别的步骤为

1）测试数据集共有6000幅图像，其中包括输电线、变压器、断路器、隔离开关、绝缘子、杆塔，用1～7数字对设备类型标注。

2）选择5000幅电力设备图像，计算图像四个方向的纹理参数。

3）用这5000幅电力设备图像四个方向的纹理参数训练GA-BP神经网络。

4）再从6000幅电力设备图像中随机选择1000幅图像，计算这1000幅图像不同方向的参数，并将其结果作为测试样本。其中神经网络输入神经元个数为16，隐含层神经元个数为8，输出神经元个数为1。

随机选择一幅图像，如图6所示，其设备名称为变压器。

图6 变压器

表1 变压器图像的纹理参数

通过GA-BP辨别纹理参数，输出结果2，输出类型准确。

图7为杆塔，计算四个方向的纹理参数，如表2所示。

图7 杆塔

表2 杆塔图像的纹理参数

将纹理参数输入到已经训练好的GA-BP神经网络中，输出结果7，输出类型准确。

图8为隔离开关，计算四个方向的纹理参数，如表3所示。

表3 隔离开关图像的纹理参数

图8 隔离开关

将纹理参数输入到已经训练好的GA-BP神经网络中，说出结果为5，输出类型准确。

图9为绝缘子串，计算其四个方向的纹理参数，如表4所示。

图9 绝缘子串

表4 绝缘子串图像的纹理参数

将纹理参数输入到已经训练好的GA-BP神经网络，输出结果为6，输出类型准确。

图10为断路器，计算其四个方向的纹理参数，结果如表5所示。

表5 断路器图像的纹理参数

图10 断路器

将纹理参数输入到已经训练好的GA-BP神经网络，输出结果为4，输出类型准确。

实验结果表明，纹理参数和GA-BP神经网络结合算法对图像识别有较高的准确性，且计算速度快。

5 结语

针对目前视频监控设备没有图像识别功能这一问题，提出一种利用灰度共生矩阵反应图像纹理参数，结合遗传算法优化的BP神经网络进行图像识别的方法，本文所提方法以四个方向的纹理参数作为GA-BP神经网络的输入，可以很好地找到全局最优解，通过实验表明，其输出结果可以准确地对待测图像完成识别。算法运行速度快、识别结果效率高。