摘要:针对传统配电房异常图像识别方法中存在的识别效率不高的问题，结合智能电网无人化管理的发展方向，提出一种基于三维灰度矩阵的智能配电房异常图像识别方法。通过智能配电房异常图像三维灰度矩阵纹理获取、危险情况异常图像特征识别，实现对智能配电网图像中危险源的智能识别。实验对比的结果表明，该方法与传统方法相比识别时间更短，有效提高了识别效率，从而提升了智能配电房的无人化管理质量。
关键词：三维灰度矩阵；智能；配电房；异常图像；
中图分类号:TM73文献标识码:A
0引言
配电网直接面向终端用户，与广大人民群众的生产生活息息相关，是服务民生的重要公共基础设施。随着智能电网无人化管理的提出，配电房作为配电系统当中的电力终端，实现智能化及无人化管理成为了当今电力行业信息化中的重要研究内容[1]。随着现代化科技的发展，智能配电房中的设备数量和种类逐渐增加，对配电房的智能化管理、危险及异常情况识别提出了更高要求。针对这一问题，本文提出一种基于三维灰度矩阵的智能配电房异常图像识别方法。利用三维灰度矩阵将原本色彩复杂的配电网异常图像转变为灰度单调，从而更加集中的体现出数据上的反差效果，通过提取对应的异常特征对图像进行识别，解决了传统识别方法中图像识别率低的问题。
1基于三维灰度矩阵的智能配电房异常图像识别方法设计
本文设计的基于三维灰度矩阵的智能配电房异常图像识别方法在对异常图像进行识别前，首先利用三维灰度矩阵对智能配电房实时的图像信息进行处理，处理后的图像具有更加清晰的纹理特征信息，进而使识别更加容易，有效提高识别率，图1为本文识别方法的流程图。
图1 智能配电房异常图像识别方法流程图
由图1可知，本文基于三维灰度矩阵的智能配电房异常图像识别方法共分为四步，分别为规范图像大小、计算三维灰度矩阵、生成纹理特征、危险情况图像特征识别。其中规范图像大小需要根据实际的智能配电房规格进行具体划分，因此不对其进行过多设计。本文将其余三步分为生成异常图像三维灰度矩阵纹理和智能配电房危险情况异常图像特征识别两部分，并对这两部分进行详细说明。
1.1异常图像三维灰度矩阵纹理生成
为了提高本文方法最终的识别效果，在进行识别前首先要利用三维灰度矩阵对智能配电房的异常图像进行处理，从而获得异常图像的纹理图[2]。在纹理图当中数据的反差更加明显，因此更容易得到最终的识别结果，且识别更加精准。三维灰度矩阵的异常图像问题生成步骤为：
首先，在智能配电网异常图像中随机选取一点，将该点设置为（a，b），以及与该点偏离的另一点（a+n，b+m），设置（a，b）的灰度值为（x，y）。再将该点（a，b）在整个异常图像中移动，从而得到各种位置的灰度值（x，y）。假设本文方法中灰度值的级数为z级，则x与y之间一共存在z×z种组合[3]。对于整个智能配电房的异常图像而言，统计出每一种（x，y）值出现的次数，并将其进行排列，组成一个矩阵，再用（x，y）出现的频率次数将其归一化处理得到最终出现的概率Pxy，完成对配电房三维灰度矩阵的生成。
改变距离分值（n，m）的取值及数值的组合，从而获得一条沿某一特定方向上的像元之间存在一定间隔距离的三维灰度共生矩阵，表达式为：
（1）
公式（1）中，d表示为三维灰度共生矩阵。
期刊文章分类查询,尽在期刊图书馆
智能配电房中的异常图像与其它一般图像的纹理有很大的区别，智能配电房中的异常图像中存在大量的文字及曲线，这些文字和曲线与其背景的灰度对比度高出很多，并且曲线通常是由短小的线段或曲线组成[4]。因此，构成了一种具有周期性的纹理。将这些纹理信息特征进行提取用于对其危险情况的识别，通过更加清晰的纹理特征，提高识别方法的识别效率，并进一步保证识别结果的准确性。
1.2智能配电房危险情况异常图像特征识别
在生成了异常图像三维灰度矩阵纹理的基础上，对智能配电房危险情况异常图像特征进行识别。首先通过计算得出特征的主要分布方向的梯度，计算公式为：
（2）
公式（2）中，G表示为特征分布方向的梯度；（a，b）和（a+n，b+m）表示为三维灰度矩阵中的一堆采样点的纹理亮度[5]；D表示为特征分布方向梯度上的采样点总数集合；W表示为D中采样点的对数；a和a+n表示为一堆采样点的三维灰度矩阵坐标中的矢量。
通过上述公式（2）求解出智能配电房危险情况异常特征主方向的梯度后，将采样的点数集合沿当前特征分布进行旋转，建立对应的描述符G0。当G0数值超出一定范围时说明，此时智能配电房中存在异常图像，配电房处于危险状况当中，反之，若G0数值在一定范围以内，说明此时智能配电房中不存在异常图像，配电房处于平稳的运行状态。
2仿真实验
通过上文分析及说明，从理论上证明了本文设计的基于三维灰度矩阵的智能配电房异常图像识别方法具有更高的识别效率。为了保证本文研究内容的严谨性，同时验证本文方法的有效性和可行性，下面将本文识别方法与传统识别方法进行一次仿真对比实验。
2.1实验准备
分别在仿真实验软件当中输入500个智能配电房训练样本图像数据信息、100个实验样本。将对应的智能配电房危险情况的异常图像按照规定额的异常分类进行划分。在保证智能配电房中的异常图像特征样本一定的情况下，利用两种识别方法对其进行识别，完成仿真实验。
2.2实验结果及分析
通过上述实验准备，完成仿真对比实验。将两种方法在识别过程中产生的数据信息，包括特征数量、特征识别时间等数据进行记录，并通过记录的数据信息计算出两种方法的平均识别时间，绘制成如图2所示的仿真实验结果对比曲线。
图2 两种识别方法仿真试验对比曲线
由图2可知，通过两种识别方法对同一智能配电房的异常图像进行识别，本文方法的平均识别时间明显小于传统方法的平均识别时间。虽然传统识别方法在对0~400个样本图像数据进行识别时平均识别时间处于不断缩短的状态，但在对400~500个样本图像数据进行识别时，平均识别时间突然增加，稳定性较差；而本文识别方法不存在平均识别时间波动幅度大的问题存在，因此稳定性更高。通过仿真对比实验证明，本文方法在增加了传统方法识别效率的同时也增加了识别的稳定度。
3结束语
本文针对智能配电房传统异常图像识别方法中存在的问题，提出一种基于三维灰度矩阵的智能配电房异常图像识别方法，并通过仿真实验进一步验证了该方法的可行性和稳定性，与传统方法相比，本文识别方法可以有效的识别出智能配电房中的危险情况异常图像信息，因此具有更加广阔的应用前景。
参考文献
[1]黄清,张伟,程敏,苏鹏飞,丁棋炳,郭毓. 一种基于几何约束的跌落式熔断器图像识别方法[J]. 南京理工大学学报,2019,43(02):217-223.
[2]王金塔,罗世荣,白梦龙,陈太,胡刚风. 机器视觉智能识别技术在10kV配电站房的浅层应用[J]. 科技创新与应用,2019,18(18):150-151.
[3]朱正国,何斌斌,薛荣,邓琨,魏恩伟. 智能配电房危险情况的图像特征识别方法[J]. 电源技术,2018,42(04):597-600.
[4]袁晓东. 数据中心高压配电机房巡检机器人应用及能源互联网解决方案[J]. 通信电源技术,2019,36(51):214-221.
[5]王丹,李建岐,廖斌. 基于优化去雾算法的配网开关状态视频识别技术研究[J]. 电力信息与通信技术,2017,15(10):031-037.
论文作者:马灿桂
论文发表刊物:《中国电业》2019年9月18期
论文发表时间:2020/1/14
标签：配电房论文; 图像论文; 灰度论文; 异常论文; 智能论文; 方法论文; 矩阵论文; 《中国电业》2019年9月18期论文;