基于卷积神经网络的GIS缺陷图像识别方法研究.docx

基于卷积神经网络的GIS缺陷图像识别方法研究摘要：为了提高气体绝缘金属封闭开关（GIS）缺陷的检测效率，提出了一种基于计算机卷积神经网络的GIS中典型缺陷图像识别和分类方法。利用内窥镜获取GIS的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络，并利用预处理后的图像对卷积神经网络进行训练和测试，实现对缺陷图像的识别。应用的算法由matlab软件实现。测试结果证明，基于卷积神经网络的GIS缺陷图像识别方法的测试结果和样本图像的实际类型基本一致，该方法可以实现对GIS内部缺陷类型进行检测。关键词：GIS；神经网络；自动识别0引言GIS是电网中大量使用的高压设备，具备安全性高、受外界影响小以及配置灵活等优点。在使用GIS设备的过程中，如果发生故障，将对相关电气设备造成严重损坏，影响电力系统的安全性和稳定性，因此有必要研究GIS设备的典型缺陷。当GIS设备内部出现故障时，目前通过脉冲电流法[1,2]，化学检测法，光学检测法和超声波法等传统方法进行监测和诊断。为了能够采取有效措施消除故障，确保电网安全稳定运行。但这些传统方法多数是通过间接的方式诊断出故障点来解决问题，不能直观的对缺陷进行分析。目前，许多GIS设备通过内窥镜获取内部图像，并通过图像人为地判断设备的缺陷。但人对缺陷图像进行判断缺乏客观性、并且效率较低。本文将计算机图像处理技术应用于GIS中典型缺陷的识别，提高了缺陷识别的效率。本文采用matlab对缺陷图像进行预处理，训练卷积神经网络实现图像的自动识别和分类。1缺陷图像的预处理1.1图像预处理卷积神经网络的卷积层可以直接与二维数据卷积，因此预处理步骤不需要图像的特征提取。训练神经网络时直接把图像的像素作为输入量，但为了减少数据冗余，节省训练时间，本文把输入的图像的像素数据做归一化处理。本文对缺陷图像的像素进行比例缩放，就是重新对图像数据的每一个维度的值进行调节，使数据值落在区间[0，1]内。本文把图像的像素值除以255，把数据缩放到[0，1]中。2卷积神经网络的设计2.1BP缺陷图像分类GIS绝缘部件失效的原因大致可分为凸起引起的电晕放电，自由移动的金属颗粒引起的放电现象和铸件的内部缺陷损坏。本文把缺陷分为突出物缺陷、自由微粒缺陷以及浇铸物缺陷，加上正常设备一共四种类型。2.2卷积神经网络的设计卷积神经网络模型如图1所示。图1卷积神经网络结构图（1）输入层输入图像数据，输入层大小为32×32。（2）C1卷基层卷积核数量是20，卷积核的大小是5×5。每个卷积核具有25个参数和一个偏移参数，要学习的参数是（5×5+1）×20=520。(3)S2层下采样层S2下采样层的采样区域是2×2。(4)C3层卷积层卷积核数量是50，卷积核的大小为5×5。每个卷积核具有25个参数加上总共（5×5+1）×50=1300个参数的偏移参数。(5)S4下采样层S4下采样层方式与S2相同。(6)F5全连接层120个神经节点，其中每一个节点都连接到S4层上全部神经节点。(7)输出层本文将图像分为4种类型，因此输出层节点的数量为4。2.3卷积神经网络的训练为了训练卷积神经网络，首先，初始化网络的权重并将偏移值设置为常数。然后，从训练集中选择一批训练样本，并且训练样本通过网络向前传播以计算网络的输出。计算网络的实际输出与预测输出之间的误差值。如果误差值小于期望阈值或训练达到设定的迭代次数，则停止训练，否则继续网络训练。以最小化方式反向传播错误以更新网络的权重。回到第二步，重复以上流程。2.4卷积神经网络的测试使用训练好的网络参数初始化网络的权值，然后从测试集中随机选择一个测试样本，测试样本通过网络进行前向传播，计算得到网络的输出。最后，将计算机输出值与测试样本的实际设定值进行比较，并输出结果。本文利用模拟的四种不同类型的缺陷图像来训练卷积神经网络。其中训练集400张，测试集100张。实验使用sigmoid函数将网络的学习率设置为2，将惯性系数设置为0.5，将每次训练样本的数量设置为10，将训练迭代次数设置为200。使用的迭代次数是终止训练的条件,训练结果如图2和图3所示。卷积神经网络的误差已降低到0.1％，构造的卷积神经网络可用于识别缺陷图像。图2卷积神经网络误差曲线图图3卷积神经网络训练结果图2.4测试结果及分析在完成卷积神经网络的训练之后，可以测试未经训练的GIS缺陷图像。选择四种不同类型的图像进行测试。在表格1中列出了测试结果，包括了测试样本数量，识别个数以及缺陷的识别率。表1测试结果缺陷类型突出物缺陷表面裂纹自由金属微粒缺陷正常设备测试样本个数50505050正确识别个数48464646识别率96%92%92%92%3结论卷积神经网络用于学习和训练不同GIS缺陷类型的图像样本，以实现缺陷图像的识别和分类。对测试样