纹理参数耦合GA-BP神经网络的电力设备图像识别方法介绍

王 昕，蒋佐富，蔡荣明，尚 将2，吴瑞文

(1.台州宏创电力集团有限公司，浙江 台州 318000；2.国网浙江台州市黄岩区供电有限公司，浙江 台州 318000)

0 引 言

目前，在电网系统中，监控设备可以在设备不停电的情况下完成设备的检测，判断出设备故障类型，但是并不能对这些图像进行智能识别。为了准确、高效地识别电力设备，提出图像纹理参数和GA-BP神经网络结合的方法。

1 纹理参数

灰度共生矩阵是一种二阶统计方法，可以用来计算图像的纹理参数。其定义为：取图像A中任意一点 (x，y)，灰度值为(i，j)及偏离它的另一点 (x+a，y+b)，将点 (x，y)在图像A上移动，会得到各种(i，j)值，统计(i，j)值出现的次数，排列成一个方阵，再用(i，j)出现的总次数归一化出现的概率P(i，j)，即为灰度共生矩阵。其中，a、b的取值不同，扫描的角度不同。图1给出了相对中心点，距离为1，0度，45度，90度，135度四个方向对应像素点所在的位置。

图1 距离为1四个方向像素对位置

从灰度共生矩阵中，可以得到能量、对比度、熵、相关性参数这些特征值，这些特征值可以反应图像的纹理信息。

能量反应图像的均匀程度、纹理粗细度。

对比度反应图像的清晰度、纹理参数脊和谷深浅程度。

熵反映图像的复杂程度，图像越复杂，纹理参数中的熵值越大。

相关系数反应图像局部的灰度相关性。

通过灰度共生矩阵计算出图像的四个方向下的纹理参数，其值作为GA-BP神经网络输入。

计算纹理参数前，需要调整图像的大小，通过图像的RGB三分量计算处图像的灰度值，利用灰度值生成共生矩阵，从而计算四个方向下的纹理参数向量。

参数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

2 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，BP神经网络包括输入层、隐含层、输出层，通过调节权值、阈值，使得网络的误差最小。其算法流程如下：

(1)设置初始权值为较小的非零实数。

(3)对于样本P，算法的计算过程为：up,…,l-1Op,lxp,…,yp

反向过程为：

(4)修正权值为：

本文应用遗传算法优化神经网络的连接权值。用GA算法优化初始权值，在解向量中搜索较好的解。用BP神经网络搜索最优解。

用GA在某一点集中遗传出优化值，以此作为BP算法的初始权值，再由BP算法进行训练，而后运用BP神经网络控制，这就是GA-BP算法的基本原理。该方法可以解决BP神经网络陷入局部最优问题(如图3所示)。

3 电力设备图像识别步骤

通过纹理参数和GA-BP神经网络算法实现电力设备图像识别的步骤如下所示：

图3 GA-BP神经网络流程图

(1)选定测试数据。若干幅电力设备图像，主要包括发电机、变压器、输电线路等。

(2)纹理参数计算。选取部分图像计算图像四个方向的纹理参数。

(3)GA-BP神经网络训练。用选取的部分电力设备图像四个方向的纹理参数训练GA-BP神经网络。

(4)测试。另选取若干电力设备图形，计算其四个方向的纹理参数，基于训练得到的GA-BP神经网络模型进行测试检验。

4 结束语

本文提出结合纹理参数和GA-BP神经网络算法对电力设备进行图像识别，利用灰度共生矩阵可以很好反应图像的纹理参数，用遗传算法优化的BP神经网络，可以很好地解决传统BP神经网络陷入局部最优的缺点。