一种电流互感器接线图像处理方法与流程

本发明属于图像增强领域，特别涉及一种电流互感器接线图像处理方法。

背景技术：

1、电流互感器是电力系统中广泛使用的电气设备，主要用于对大电流进行转换，以便于测量、保护和控制，在电力设备安装和维护过程中，电流互感器的接线图像的清晰度在检测、监控和诊断工作中尤为重要，现有的电流互感器接线检测主要依赖人工观察或简单的图像处理方法，然而由于工业环境中的电流互感器安装位置通常复杂，接线环境受限，光照条件不佳，容易导致拍摄到的接线图像存在噪声、模糊、光影干扰等问题，这些问题使得在对电流互感器接线图像进行分析时，无法准确识别接线细节和关键点，进而影响设备的正常运行和维护。

2、近年来，随着图像处理和深度学习技术的发展，基于卷积神经网络（cnn）的图像增强方法在各个领域得到了广泛应用，尤其是在图像去噪、细节增强和特征提取方面展现了强大的性能，然而，现有的图像增强方法大多针对自然图像或医学图像，而工业场景下的电流互感器接线图像由于背景复杂、接线细节多、对光照和噪声极其敏感，现有技术尚不能有效解决此类图像的增强需求，因此，针对电流互感器接线图像在不同光照和复杂环境下的增强需求，提出一种能够在工业场景中提高接线图像清晰度和可读性的图像增强方法具有重要意义。

技术实现思路

1、本发明提供了一种电流互感器接线图像处理方法，旨在通过引入不同的注意力模块，增强对电流互感器接线图像中的关键特征的关注，一种电流互感器接线图像处理方法，包括以下步骤：

2、s1、电流互感器接线图像数据集制作，使用工业相机对有电流互感器进行拍照，获取电流互感器在不同光照条件下的电流互感器接线图像，得到电流互感器接线图像数据集；

3、s2、构建图像预处理模块ipm，包括图像转换模块和前景提取模块；

4、s3、构建浅层卷积模块scm，包括3×3卷积、自适应通道注意力模块acam、relu激活函数、批归一化和最大池化；

5、s4、构建特征图稀疏化模块fsm，包括1×1卷积；

6、s5、构建中层卷积模块mcm，包括3×3卷积、批归一化、relu激活函数、自适应通道注意力模块acam、空间注意力模块sam和最大池化；

7、s6、构建深层卷积模块dcm，包括3×3卷积、批归一化、relu激活函数、自适应通道注意力模块acam、混合注意力模块cbam、全局平均池化和全连接层；

8、s7、构建电流互感器接线增强图像生成模块eigm，包括3个3×3反卷积层；

9、s8、构建电流互感器接线图像处理模型，包括输入、图像预处理模块、浅层卷积模块、特征图稀疏化模块、中层卷积模块、深层卷积模块、电流互感器接线增强图像生成模块和输出。

10、优选的，在步骤s2中，图像预处理模块ipm包括图像转换模块和前景提取模块，图像预处理模块ipm的输入为电流互感器接线图像，其为rgb颜色空间的图像，图像转换模块将rgb颜色空间的电流互感器接线图像转换为hsv颜色空间的电流互感器接线图像，具体方法为：计算亮度v：，计算饱和度s：，计算色调h：若满足，执行；若满足，执行；若满足，执行，其中r为电流互感器接线图像r通道上的数值，g为电流互感器接线图像g通道上的数值，b为电流互感器接线图像b通道上的数值，为电流互感器接线图像r、g、b三个通道数值的最大值，为电流互感器接线图像rgb三个通道数值的最小值；前景提取模块是根据设定的hsv颜色阈值来创建掩码，并使用掩码在rgb颜色空间的电流互感器接线图像中提取前景，具体方法为：根据设定的hsv颜色阈值创建掩码，掩码为二进制图像，其根据设定的阈值条件将图像的像素划分为前景和背景，符合阈值条件的像素被标记为前景，在掩码中表示为白色，不符合条件的像素被标记为背景，在掩码中表示为黑色，将掩码与rgb颜色空间的电流互感器接线图像进行位操作，符合阈值条件的像素，掩码使其保持不变，不符合阈值条件的像素，掩码将其设置为黑色，提取出电流互感器接线区域，得到电流互感器接线预处理图像，电流互感器接线预处理图像为rgb颜色空间的图像。

11、优选的，在步骤s3中，浅层卷积模块scm的输入为电流互感器接线预处理图像，其中h、w和3分别表示电流互感器接线预处理图像的高、宽和通道数，首先经过一个3×3标准卷积对于电流互感器接线预处理图像进行初步特征提取得到：，其中表示3×3卷积，然后使用自适应通道注意力模块acam增强通道注意力，使用relu激活函数进行激活，然后进行批归一化和最大池化操作，具体过程为：，其中为浅层卷积模块输出特征图，，其中、和c分别为浅层卷积模块输出特征图的高、宽和通道数，表示最大池化操作，bn表示批归一化，relu为激活函数，acam为自适应通道注意力模块。

12、优选的，在步骤s3、s5和s6中，自适应通道注意力模块acam包括全局平均池化、自适应卷积核的动态1×1卷积、sigmoid激活函数和通道加权，输入特征图，其中、和分别表示输入特征图的高、宽和通道数，首先对于输入特征图在空间维度上进行全局平均池化，得到每个通道的全局信息，具体过程为：，为通道c的全局平均值，全局平均池化的输出尺寸为；根据输入特征图的通道数计算动态卷积核大小，动态卷积核k的计算过程为：，其中min()表示取最小值操作，max()表示取最大值操作，为预设的最大卷积核大小，为预设的最小卷积核大小，为输入特征图的通道数；然后应用动态卷积核k进行1×1卷积生成每个通道的注意力权重，使用sigmoid激活函数激活，得到通道权重，具体过程为：，其中为通道权重，尺寸为，sigmoid表示sigmoid激活函数，表示1×1卷积，为通道c的全局平均值，k为动态卷积核；最后将通道权重与输入特征图的每个通道进行逐元素相乘，具体过程为：，得到输出特征图，其中、和分别表示输出特征图的高、宽和通道数。

13、优选的，在步骤s4中，特征图稀疏化模块fsm的输入为浅层卷积模块的输出特征图，通过一个1×1卷积进行特征图稀疏化操作，具体过程为：，其中为特征图稀疏化模块fsm的输出特征图，，其中、和分别为特征图稀疏化模块fsm的输出特征图的高、宽和通道数，表示1×1卷积。

14、优选的，在步骤s5中，中层卷积模块mcm的输入为特征图稀疏化模块fsm的输出特征图，，其中、和分别为的高、宽和通道数，中层卷积模块mcm的输出为，其中表示最大池化操作，sam为空间注意力模块，acam为自适应通道注意力模块，relu为激活函数，bn表示批归一化，表示3×3卷积，中层卷积模块mcm的输出，其中、和c分别为的高、宽和通道数。

15、优选的，在步骤s6中，深层卷积模块dcm的输入为中层卷积模块mcm的输出，其中、和c分别为的高、宽和通道数，深层卷积模块dcm的输出为，其中fc为全连接层，gap为全局平均池化，cbam为混合注意力模块，acam为自适应通道注意力模块，relu为激活函数，bn表示批归一化，表示3×3卷积，深层卷积模块dcm的输出，其中、和2c分别为的高、宽和通道数。

16、优选的，在步骤s7中，电流互感器接线增强图像生成模块eigm的输入为深层卷积模块dcm的输出，其中、和2c分别为的高、宽和通道数，通过3个3×3的反卷积层完成上采样操作，具体过程为：，其中为3×3的反卷积，电流互感器接线增强图像生成模块eigm的输出，其中h、w和3分别表示电流互感器接线增强图像的高、宽和通道数。

17、与现有技术相比，本发明具有以下技术效果：引入多种注意力模块，分层对图像进行逐层特征提取，从低级的边缘和纹理到高级的全局信息，有效地增强了对关键特征的捕捉能力，能够在增强图像细节的同时保留全局结构信息，同时具有更高的通用性，能够应用于其他工业图像处理任务，同时降低了计算复杂性，使得整个方案适用于实时工业场景。