System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及输电线路故障类型判断识别,具体涉及一种边缘侧输电线路特征提取方法及装置。
技术介绍
1、
2、目前有很多基于传统计算机视觉的特征抽取方法来提取输电线,通常这些方法在背景并不复杂的图像下可以正常使用,而在复杂的自然场景下,由于各类背景噪声的出现,会对结果产生较大干扰和影响。
技术实现思路
1、为了克服上述缺陷,本专利技术提出了一种边缘侧输电线路特征提取方法及装置。
2、第一方面,提供一种边缘侧输电线路特征提取方法,所述边缘侧输电线路特征提取方法包括:
3、对待识别输电线路图像进行预处理;
4、将预处理后的待识别输电线路图像作为预先训练的全卷积神经网络的输入,得到预先训练的全卷积神经网络输出的待识别输电线路识别图。
5、优选的,所述预处理包括:滤波和亮度直方图均衡。
6、优选的,所述预先训练的全卷积神经网络的训练过程包括:
7、获取输电线路图像进行预处理;
8、将预处理后的输电线路图像转换为输电线路识别图;
9、利用预处理后的输电线路图像及其对应的输电线路识别图构建训练数据;
10、利用所述训练数据对初始全卷积神经网络进行训练,得到所述预先训练的全卷积神经网络。
11、进一步的,所述将预处理后的输电线路图像转换为输电线路识别图,包括:
12、将预处理后的输电线路图像转换为像素值包含0和1的二值图像,其中,预处理后的输电线路图像中的
13、进一步的,所述初始全卷积神经网络由卷积部分和转置卷积部分组成。
14、进一步的,所述卷积部分为vgg-16网络结构。
15、进一步的,所述利用所述训练数据对初始全卷积神经网络进行训练的过程中,损失函数为交叉熵损失函数。
16、进一步的,所述交叉熵损失函数如下:
17、loss=-(ylog(p)+(1-y)log(1-p))
18、上式中,loss为损失值,y为输电线路图像中的像素标注值,p为输电线路图像中的像素预测值。
19、第二方面,提供一种边缘侧输电线路特征提取装置,所述边缘侧输电线路特征提取装置包括:
20、预处理模块,用于对待识别输电线路图像进行预处理;
21、分析模块,用于将预处理后的待识别输电线路图像作为预先训练的全卷积神经网络的输入,得到预先训练的全卷积神经网络输出的待识别输电线路识别图。
22、第三方面,提供一种计算机设备,包括:一个或多个处理器;
23、所述处理器,用于存储一个或多个程序;
24、当所述一个或多个程序被所述一个或多个处理器执行时,实现所述的边缘侧输电线路特征提取方法。
25、第四方面,提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现所述的边缘侧输电线路特征提取方法。
26、本专利技术上述一个或多个技术方案,至少具有如下一种或多种有益效果:
27、本专利技术提供了一种边缘侧输电线路特征提取方法及装置,包括:对待识别输电线路图像进行预处理;将预处理后的待识别输电线路图像作为预先训练的全卷积神经网络的输入,得到预先训练的全卷积神经网络输出的待识别输电线路识别图。本专利技术提供的技术方案,创新地设计了复杂背景下输电线路本体特征提取算法,既排除了多于无关因素的影响,又充分利用了基于深度全卷积网络和传统视觉相结合的方法,能够很好的解决复杂自然场景对于输电线路提取产生的干扰,很大程度上降低提取的错误率,为现输电线路故障类型的边缘侧快速识别提供可靠基础。
本文档来自技高网...【技术保护点】
1.一种边缘侧输电线路特征提取方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述预处理包括:滤波和亮度直方图均衡。
3.如权利要求1所述的方法,其特征在于,所述预先训练的全卷积神经网络的训练过程包括:
4.如权利要求3所述的方法,其特征在于,所述将预处理后的输电线路图像转换为输电线路识别图,包括:
5.如权利要求3所述的方法,其特征在于,所述初始全卷积神经网络由卷积部分和转置卷积部分组成。
6.如权利要求5所述的方法,其特征在于,所述卷积部分为VGG-16网络结构。
7.如权利要求3所述的方法,其特征在于,所述利用所述训练数据对初始全卷积神经网络进行训练的过程中,损失函数为交叉熵损失函数。
8.如权利要求7所述的方法,其特征在于,所述交叉熵损失函数如下:
9.一种边缘侧输电线路特征提取装置,其特征在于,所述装置包括:
10.一种计算机设备,其特征在于,包括:一个或多个处理器;
11.一种计算机可读存储介质,其特征在于,其上存有计算机程
...【技术特征摘要】
1.一种边缘侧输电线路特征提取方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述预处理包括:滤波和亮度直方图均衡。
3.如权利要求1所述的方法,其特征在于,所述预先训练的全卷积神经网络的训练过程包括:
4.如权利要求3所述的方法,其特征在于,所述将预处理后的输电线路图像转换为输电线路识别图,包括:
5.如权利要求3所述的方法,其特征在于,所述初始全卷积神经网络由卷积部分和转置卷积部分组成。
6.如权利要求5所述的方法,其特征在于,所述卷积部分为vgg-...
【专利技术属性】
技术研发人员:汉京善,宿洪智,张雷,罗亚洲,赵彬,王轶,李孟轩,杨知,刘桂箐,许中阳,张伟韬,金欢,孔小昂,姬昆鹏,
申请(专利权)人:中国电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。