一种基于语义分割的变电站水位监测方法及系统

1.本发明属于电力运维技术领域，具体涉及一种基于语义分割的变电站水位监测方法及系统。


背景技术：

2.随着社会的快速发展，用电设备的种类也越来越多，变电站在电力传输、电能分配发挥着至关重要的作用。因此，变电站的高效运维对于提高电网系统的可靠性意义重大。传统的变电站通常处于无人值守的状态，当处于汛期或风暴天气时，变电站附近的水位会急剧上升，积水一旦漫入端子箱或者高压室内，会造成站内电力设备损坏，增大整个电网的运维成本。
3.现有技术中，由于人工监测水位的方法效率低、工作量大，难以保证全天监测，因此采用视频图像处理的水位监测方案得到了推广。一种基于水尺图像自动提取水位监测系统与应用，通过分割水位标尺图像，采用模板匹配法匹配水尺上的字符；一种嵌入式水尺图像检测系统与判读算法研究，用投影分析法读取水位标尺信息；基于视频图像的水位监测方法研究，利用相机标定来得到实际水位高度。以上方法通常需要水尺作为水位监测的辅助，或者需要专业的标定相机，增加了系统的复杂性，而常见变电站并没有水尺和专业标定相机，难以满足水位监测所需的条件。


技术实现要素：

4.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于语义分割的变电站水位监测方法及系统，将逐像素分类的unet语义分割方法用于复杂背景下的变电站水位监测，通过基于卷积神经网络的语义分割算法能够自动提取数据样本的有效特征，在大规模数据集上进行训练，既保持了网络的泛化性，又增强了网络适应特定任务的能力，取得了明显优于基于手工特征的效果。
5.本发明采用如下的技术方案。
6.本发明一方面提出了一种基于语义分割的变电站水位监测方法，包括：
7.步骤1，获取汛期变电站监控设备的视频图像数据样本，利用数据标注软件提取视频图像数据样本中的水位信息，利用水位信息构建变电站水位监测数据集；
8.步骤2，基于神经网络框架和混合坐标注意力机制的语义分割算法unet，建立变电站水位监测模型；
9.步骤3，使用变电站水位监测数据集，基于迁移学习的方法，对变电站水位监测模型进行迭代训练；
10.步骤4，以训练好的变电站水位监测模型从汛期变电站监控设备的视频图像数据样本中提取水面监测区域图像；通过筛选像素高度平均值对水面监测区域图像进行修正，从水面监测区域图像中去除孤立区域图像；
11.步骤5，建立水面监测区域图像的坐标系；在水面监测区域图像的坐标系下比较水
位像素高度与水位预警线像素高度，当水位像素高度大于水位预警线像素高度时发出预警。
12.优选地，步骤1中，在不同光照、时间、天气条件下，采集汛期变电站监控设备的视频图像数据样本；
13.利用数据标注软件对视频图像数据样本中的水面区域和非水面区域进行标注，并且提取水面和水面位置作为水位信息。
14.优选地，步骤2中，混合坐标注意力机制的语义分割算法unet包括：
15.步骤2.1，将语义分割算法unet中的收缩路径特征图通过坐标注意力模块进行处理，得到第一收缩路径特征图和第二收缩路径特征图；
16.步骤2.2，将第一收缩路径特征图和第二收缩路径特征图与扩展路径特征图进行融合。
17.优选地，步骤2.1包括：
18.步骤2.1.1，设定坐标注意力模块的输入特征图x的维度为h
×w×
c，分别采用第一池化核(h,1)、第二池化核(1,w)对输入特征图x的不同通道沿水平方向与垂直方向进行编码；
19.步骤2.1.2，以第一池化核(h,1)对高度为h的收缩路径特征图进行池化，满足如下关系式：
[0020][0021]
式中，
[0022]
为第c个通道的第一收缩路径特征图；
[0023]
xc(h,i)为对输入特征图中坐标点(h,i)进行池化操作，即将第c个通道的空间特征编码为一个全局特征；
[0024]
w为输入特征图的宽度；
[0025]
步骤2.1.2，以第二池化核(1,w)对宽度为w的收缩路径特征图进行池化，满足如下关系式：
[0026][0027]
式中，
[0028]
为第c个通道的第二收缩路径特征图；
[0029]
xc(j,w)为对输入特征图中坐标点(j,w)进行池化操作，即将第c个通道的空间特征编码为一个全局特征；
[0030]
h为输入特征图的高度。
[0031]
优选地，步骤2.2包括：
[0032]
步骤2.2.1，将第一收缩路径特征图和第二收缩路径特征图进行拼接，然后使用1
×
1卷积函数f1对拼接后的特征图进行变换操作，满足如下关系式：
[0033]
f＝δ(f1([zh,zw]))
[0034]
式中，
[0035]
f为空间信息在水平方向和竖直方向的中间特征图，
[0036]
zh为第一收缩路径特征图，
[0037]zw
为第二收缩路径特征图，
[0038]
δ为第一非线性激活函数；
[0039]
步骤2.2.2，将f沿着空间维度拆分为第一张量fh和第二张量fw，并采用第一附加1
×
1卷积函数fh第二附加1
×
1卷积函数fw分别对第一张量fh和第二张量fw进行分离，得到和输入特征图x相同维度的张量，如下关系式所示：
[0040]gh
＝σ(fh(fh))
[0041]gw
＝σ(fw(fw))
[0042]
式中，
[0043]gh
为第一输出张量，
[0044]gw
为第二输出张量，
[0045]
σ为第二非线性激活函数；
[0046]
步骤2.2.3，对第一输出张量gh和第二输出张量gw扩展为第一注意力权重和第二注意力权重，得到坐标注意力模块的输出y＝{yc(i,j)}满足如下关系式：
[0047][0048]
式中，
[0049]
yc(i,j)为输出特征图，
[0050]
xc(i,j)为输入特征图，
[0051]
为第一注意力权重，
[0052]
为第二注意力权重。
[0053]
优选地，步骤3包括：
[0054]
步骤3.1，使用数据增强方法对变电站水位监测数据集进行数据增强和扩充，得到变电站水位监测增强数据集；将变电站水位监测增强数据集按照9：1的比例随机划分为训练集和测试集；
[0055]
步骤3.2，初始化设置变电站水位监测模型的权重参数；
[0056]
步骤3.3，基于迁移学习的方法，采用adam优化器作为训练优化器，以训练集作为变电站水位监测模型的输入数据，由变电站水位监测模型通过卷积和池化操作后得到预测水面和预测水面位置；
[0057]
步骤3.4，将预测水面与实际水面的水面差异，预测水面位置与实际水面位置的水面位置差异，以梯度流的形式反向传播给权重参数，实现对权重参数的迭代训练；
[0058]
步骤3.5，当水面差异和水面位置差异满足精度要求时，停止迭代训练，利用当前的权重参数构建训练好的变电站水位监测模型。
[0059]
优选地，步骤4包括：
[0060]
步骤4.1，基于手动选取的方法，从视频图像数据样本中的水面区域图像中提取感兴趣区域图像；其中感兴趣区域图像指水面交界处清晰、视野开阔的区域图像；
[0061]
步骤4.2，以训练好的变电站水位监测模型提取感兴趣区域图像中的水面和水面位置，将水面位置中的像素点标记为同一个类别，从感兴趣区域图像中分割出水面监测区
域图像；
[0062]
步骤4.3，以水面监测区域图像的最小外接矩形的底边，作为水面监测区域图像的纵坐标；
[0063]
步骤4.4，建立感兴趣区域图像的坐标系，根据水位预警线高度，在感兴趣区域图像中标出水位预警线的位置；
[0064]
步骤4.5，基于水面监测区域图像中像素的纵坐标，计算与水位预警线像素高度的差值，若差值大于0则发出预警。
[0065]
优选地，步骤4.3还包括，对水面监测区域图像中每一列像素的纵坐标计算和平均值，得到像素高度平均值，设置阈值对偏离水面监测区域的水面像素点进行去除，即将像素高度平均值与水面监测区域图像中每一列像素的纵坐标进行比较，若差值的绝对值大于阈值则去除对应的像素点；对剩下的像素点的纵坐标计算和平均值，作为水面监测区域图像的纵坐标。
[0066]
优选地，所述阈值λ满足如下关系式：
[0067]
λ＝max(λs,λh)
[0068]
式中，
[0069]
λh为硬阈值，根据水面监测实验数据而选取；
[0070]
λs为软阈值，对历史水面监测数据进行拟合而获取。
[0071]
本发明另一方面还提出了一种基于语义分割的变电站水位监测系统，用于实现基于语义分割的变电站水位监测方法。
[0072]
变电站水位监测系统部署在变电站普通监控系统中，变电站水位监测系统包括存储器、处理器、无线通讯模块；存储器存储有计算机程序，处理器调用计算机程序执行方法的各个步骤，以变电站监控设备的视频图像数据样本为变电站水位监测系统的输入数据，以变电站水位监测高度为变电站水位监测系统的输出数据，当水位监测高度超过水位预警高度时变电站水位监测系统发出预警。
[0073]
本发明的有益效果在于，与现有技术相比，在没有水尺、不具备专业的标定相机的条件下能够解决复杂背景下变电站水位监测问题，从而提高变电站防汛能力，提高运维的效率，也为其他无水尺场景下水位监测问题提供解决方案。
[0074]
本发明提出的方法中，充分考虑变电站周围场景复杂、变电站监控设备位置固定的特点，仅关注变电站监控设备获取的整幅图像中水面交界处清晰、视野开阔的水面区域，既避免了变电站周围场景的干扰，又减少了图像处理的计算量，更利于提高变电站水位监测的准确性与实时性。
附图说明
[0075]
图1是本发明提出的基于语义分割的变电站水位监测方法的流程图；
[0076]
图2是本发明实施例中变电站附近的原始图像；
[0077]
图3是本发明实施例中变电站水位数据集标注示意图；
[0078]
图4是本发明实施例中unet网络的结构示意图；
[0079]
图5是本发明实施例中坐标注意力模块的结构示意图；
[0080]
图6是本发明实施例中感兴趣区域示意图；
[0081]
图7是本发明实施例中变电站汛期水位测试集测试结果示意图；
[0082]
图8是本发明实施例中的水位变化预警图。
具体实施方式
[0083]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0084]
本发明一方面提出了一种基于语义分割的变电站水位监测方法，如图1所示，包括：
[0085]
步骤1，获取汛期变电站监控设备的视频图像数据样本，利用数据标注软件提取视频图像数据样本中的水位信息，利用水位信息构建变电站水位监测数据集。
[0086]
具体地，步骤1中，在不同光照、时间、天气条件下，采集汛期变电站监控设备的视频图像数据样本；
[0087]
利用数据标注软件对视频图像数据样本中的水面区域和非水面区域进行标注，并且提取水面和水面位置作为水位信息。
[0088]
值得注意的是，本发明优选实施例中，采集汛期变电站监控设备的视频图像作为原始数据集是一种非限制性的较优选择，本领域技术人员可以根据需求采集不同场景下的目标图像作为原始数据集。本发明提出的网络结构也可以用于视频流的语义分割，不局限于图像。
[0089]
具体地，步骤1中，在不同光照、时间、天气条件下，采集汛期变电站设备的视频图像数据样本。
[0090]
本发明优选实施例中，选取2000张某变电站的图像数据，部分原始图像如图2所示。
[0091]
利用数据标注软件从图像数据样本中提取的水位信息包括类别信息和位置信息。本发明优选实施例中，利用图片标注工具labelme进行数据标注，图像的标注效果如图3所示。
[0092]
步骤2，基于神经网络框架和混合坐标注意力机制的语义分割算法unet，建立变电站水位监测模型。
[0093]
具体地，步骤2中，如图4，混合坐标注意力机制的语义分割算法unet包括：
[0094]
步骤2.1，将语义分割算法unet中的收缩路径特征图通过坐标注意力模块进行处理，得到第一收缩路径特征图和第二收缩路径特征图。
[0095]
具体地，步骤2.1包括：
[0096]
步骤2.1.1，设定坐标注意力模块的输入特征图x的维度为h
×w×
c，分别采用第一池化核(h,1)、第二池化核(1,w)对输入特征图x的不同通道沿水平方向与垂直方向进行编码；坐标注意力模块的结构示意图如图5所示。
[0097]
步骤2.1.2，以第一池化核(h,1)对高度为h的收缩路径特征图进行池化，满足如下关系式：
[0098][0099]
式中，
[0100]
为第c个通道的第一收缩路径特征图；
[0101]
xc(h,i)为对输入特征图中坐标点(h,i)进行池化操作，即将第c个通道的空间特征编码为一个全局特征；
[0102]
w为输入特征图的宽度；
[0103]
步骤2.1.2，以第二池化核(1,w)对宽度为w的收缩路径特征图进行池化，满足如下关系式：
[0104][0105]
式中，
[0106]
为第c个通道的第二收缩路径特征图；
[0107]
xc(j,w)为对输入特征图中坐标点(j,w)进行池化操作，即将第c个通道的空间特征编码为一个全局特征；
[0108]
h为输入特征图的高度。
[0109]
步骤2.2，将第一收缩路径特征图和第二收缩路径特征图与扩展路径特征图进行融合。
[0110]
具体地，步骤2.2包括：
[0111]
步骤2.2.1，将第一收缩路径特征图和第二收缩路径特征图进行拼接，然后使用1
×
1卷积函数f1对拼接后的特征图进行变换操作，满足如下关系式：
[0112]
f＝δ(f1([zh,zw]))
[0113]
式中，
[0114]
f为空间信息在水平方向和竖直方向的中间特征图，
[0115]
zh为第一收缩路径特征图，
[0116]zw
为第二收缩路径特征图，
[0117]
δ为第一非线性激活函数；
[0118]
步骤2.2.2，将f沿着空间维度拆分为第一张量fh和第二张量fw，并采用第一附加1
×
1卷积函数fh第二附加1
×
1卷积函数fw分别对第一张量fh和第二张量fw进行分离，得到和输入特征图x相同维度的张量，如下关系式所示：
[0119]gh
＝σ(fh(fh))
[0120]gw
＝σ(fw(fw))
[0121]
式中，
[0122]gh
为第一输出张量，
[0123]gw
为第二输出张量，
[0124]
σ为第二非线性激活函数；
[0125]
步骤2.2.3，对第一输出张量gh和第二输出张量gw扩展为第一注意力权重和第二注意力权重，得到坐标注意力模块的输出y＝{yc(i,j)}满足如下关系式：
[0126][0127]
式中，
[0128]
yc(i,j)为输出特征图，
[0129]
xc(i,j)为输入特征图，
[0130]
为第一注意力权重，
[0131]
为第二注意力权重。
[0132]
综上，坐标注意力模块对于输入特征图分别沿水平方向和垂直方向计算注意力，并将其作用于输入特征图，这种编码的过程可以帮助特征图提取水面区域信息。
[0133]
步骤3，使用变电站水位监测数据集，基于迁移学习的方法，对变电站水位监测模型进行迭代训练。
[0134]
具体地，步骤3包括：
[0135]
步骤3.1，使用数据增强方法对变电站水位监测数据集进行数据增强和扩充，得到变电站水位监测增强数据集；将变电站水位监测增强数据集按照9：1的比例随机划分为训练集和测试集；
[0136]
为了防止神经网络过拟合，使用多种数据增强方法对变电站语义分割数据集进行数据增强和扩充。
[0137]
步骤3.2，初始化设置变电站水位监测模型的权重参数；
[0138]
步骤3.3，基于迁移学习的方法，采用adam优化器作为训练优化器，以训练集作为变电站水位监测模型的输入数据，由变电站水位监测模型通过卷积和池化操作后得到预测水面和预测水面位置；
[0139]
步骤3.4，将预测水面与实际水面的水面差异，预测水面位置与实际水面位置的水面位置差异，以梯度流的形式反向传播给权重参数，实现对权重参数的迭代训练；
[0140]
步骤3.5，当水面差异和水面位置差异满足精度要求时，停止迭代训练，利用当前的权重参数构建训练好的变电站水位监测模型。
[0141]
值得注意的是，本发明优选实施例中，网络的训练方式以及学习率优化策略的参数配置是一种非限制性的较优选择，本领域技术人员可以根据检测精度和效率等各项指标，选定网络训练方式以及参数配置。
[0142]
本发明优选实施例中，步骤1即获取每个图像样本中所有目标的类别信息和位置信息，在模型训练的时候将图像样本送入网络，经过一系列卷积，池化等操作后输出得到预测的目标类别以及目标的位置信息，与对应标签的真实的类别信息和位置信息进行比较，将这个差异以梯度流的形式反向传播给网络参数以实现网络参数的更新。随着样本不断地输入网络模型，模型参数不断更新，网络模型的预测结果也逐渐逼近真实结果。完整的数据集由原始图像数据和带有目标种类和位置信息的文件组成。构建数据集之后，将数据集按照9:1的比例随机划分为训练集和测试集。
[0143]
步骤4，以训练好的变电站水位监测模型从汛期变电站监控设备的视频图像数据样本中提取水面监测区域图像；通过筛选像素高度平均值对水面监测区域图像进行修正，从水面监测区域图像中去除孤立区域图像。
[0144]
具体地，步骤4包括：
[0145]
步骤4.1，基于手动选取的方法，从视频图像数据样本中的水面区域图像中提取感兴趣区域图像；其中感兴趣区域图像指水面交界处清晰、视野开阔的区域图像；
[0146]
感兴趣区域提取，如图6所示，变电站监控摄像机获取的是整幅图像，变电站附近
场景往往比较复杂，而我们只需要对感兴趣区域进行处理，所谓感兴趣区域指水面交界处清晰、视野开阔的区域。并且摄像机位置是固定的，感兴趣区域也相对固定，因此不必处理整幅图像，只需要处理图像中的感兴趣区域即可，这样既避免了周围环境的干扰，又减少了图像处理的计算量，更利于提高水位监测模型的准确性与实时性。
[0147]
步骤4.2，以训练好的变电站水位监测模型提取感兴趣区域图像中的水面和水面位置，将水面位置中的像素点标记为同一个类别，从感兴趣区域图像中分割出水面监测区域图像。
[0148]
如图7所示，水位变化区域提取，语义分割模型利用深度神经网络提取感兴趣区域特征将感兴趣区域中每个像素点标记为一个类别，详见表1，从图像中分割出水面区域，然后对分割结果去除孤立小区域并取最小外接矩形的底边，得到水面在图像中的位置纵坐标。将水平面像素坐标转化为实际高度，得到大致水位高度。由于图像像素点与真实空间中的投射点是一一对应的，根据这一对应关系可以由图像信息预估得到当前水位。
[0149]
表1感兴趣区域中的像素点分类
[0150]
坐标4174184194204214224234244254262460000000000247000000000024800000000002490000000000250000000000025100000000002520000011110253111111111125411111111112551111111111256111111111125711111111112581111111111259111111111126011111111112611111111111262111111111126311111111112641111111111
[0151]
步骤4.3，以水面监测区域图像的最小外接矩形的底边，作为水面监测区域图像的纵坐标；
[0152]
具体地，步骤4.3还包括，对水面监测区域图像中每一列像素的纵坐标计算和平均值，得到像素高度平均值，设置阈值对偏离水面监测区域的水面像素点进行去除，即将像素高度平均值与水面监测区域图像中每一列像素的纵坐标进行比较，若差值的绝对值大于阈值则去除对应的像素点；对剩下的像素点的纵坐标计算和平均值，作为水面监测区域图像
的纵坐标。
[0153]
优选地，所述阈值λ满足如下关系式：
[0154]
λ＝max(λs,λh)
[0155]
式中，
[0156]
λh为硬阈值，根据水面监测实验数据而选取；
[0157]
λs为软阈值，对历史水面监测数据进行拟合而获取。
[0158]
经过反复水面监测实验和对历史水面监测数据进行拟合得出阈值设置为20效果最好。
[0159]
步骤4.4，建立感兴趣区域图像的坐标系，根据水位预警线高度，在感兴趣区域图像中标出水位预警线的位置；
[0160]
步骤4.5，基于水面监测区域图像中像素的纵坐标，计算与水位预警线像素高度的差值，若差值大于0则发出预警。
[0161]
如图8所示，水位变化预警，设定图像中某一水平直线为水位预警线，当水位高度高于水位预警线，发出预警。
[0162]
步骤5，建立水面监测区域图像的坐标系；在水面监测区域图像的坐标系下比较水位像素高度与水位预警线像素高度，当水位像素高度大于水位预警线像素高度时发出预警。
[0163]
本发明另一方面还提出了一种基于语义分割的变电站水位监测系统，用于实现基于语义分割的变电站水位监测方法。
[0164]
变电站水位监测系统部署在变电站普通监控系统中，变电站水位监测系统包括存储器、处理器、无线通讯模块；存储器存储有计算机程序，处理器调用计算机程序执行方法的各个步骤，以变电站监控设备的视频图像数据样本为变电站水位监测系统的输入数据，以变电站水位监测高度为变电站水位监测系统的输出数据，当水位监测高度超过水位预警高度时变电站水位监测系统发出预警。
[0165]
本发明的有益效果在于，与现有技术相比，在没有水尺、不具备专业的标定相机的条件下能够解决复杂背景下变电站水位监测问题，从而提高变电站防汛能力，提高运维的效率，也为其他无水尺场景下水位监测问题提供解决方案。
[0166]
本发明提出的方法中，充分考虑变电站周围场景复杂、变电站监控设备位置固定的特点，仅关注变电站监控设备获取的整幅图像中水面交界处清晰、视野开阔的水面区域，既避免了变电站周围场景的干扰，又减少了图像处理的计算量，更利于提高变电站水位监测的准确性与实时性。
[0167]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。