本發(fā)明涉及圖像識別技術(shù)，尤其涉及提升新能源場站圖像識別精度的方法。

背景技術(shù)：

1、新能源場站的智能化運維和管理需求日益增長，圖像識別技術(shù)作為場站智能化的重要手段，可以實現(xiàn)對新能源發(fā)電設(shè)備的自動化監(jiān)測和故障診斷?，F(xiàn)有的新能源場站圖像識別技術(shù)存在以下不足：

2、新能源場站通常位于戶外環(huán)境，受到天氣、光照等環(huán)境因素的顯著影響，導(dǎo)致監(jiān)控圖像質(zhì)量不穩(wěn)定。現(xiàn)有技術(shù)缺乏對環(huán)境因素的系統(tǒng)性考慮，無法根據(jù)實際環(huán)境條件動態(tài)調(diào)整圖像處理策略，影響識別的準確性和可靠性。

3、新能源發(fā)電設(shè)備的工作狀態(tài)具有連續(xù)性和時序相關(guān)性特征，但現(xiàn)有的識別方法主要基于單幀圖像進行分析，忽略了圖像序列中蘊含的時序信息，難以準確捕捉設(shè)備狀態(tài)的動態(tài)變化過程。

4、現(xiàn)有技術(shù)在特征提取和優(yōu)化方面存在局限性，缺乏有效的特征穩(wěn)定性評估和動態(tài)校準機制，容易受到圖像噪聲和干擾的影響，導(dǎo)致識別結(jié)果不夠穩(wěn)定和可靠，特別是在復(fù)雜環(huán)境條件下的識別性能較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供提升新能源場站圖像識別精度的方法，能夠解決現(xiàn)有技術(shù)中的問題。包括：

2、獲取新能源場站的監(jiān)控圖像數(shù)據(jù)；基于voronoi規(guī)則布設(shè)的傳感器陣列采集環(huán)境參數(shù)數(shù)據(jù)，通過環(huán)境參數(shù)動態(tài)耦合關(guān)系計算圖像退化評分和環(huán)境影響因子；

3、構(gòu)建包含預(yù)處理模塊、特征提取模塊和特征優(yōu)化模塊的深度學(xué)習(xí)模型；

4、所述預(yù)處理模塊根據(jù)所述環(huán)境影響因子動態(tài)調(diào)整圖像增強參數(shù)，基于圖像退化評分選擇噪聲去除策略，執(zhí)行自適應(yīng)直方圖均衡和圖像歸一化處理；

5、所述特征提取模塊采用深度卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的監(jiān)控圖像數(shù)據(jù)進行特征提取，得到圖像特征向量；

6、所述特征優(yōu)化模塊對所述圖像特征向量進行處理得到新能源場站中新能源發(fā)電設(shè)備的識別結(jié)果，其中時序特征提取單元利用循環(huán)神經(jīng)網(wǎng)絡(luò)提取連續(xù)幀圖像的時序關(guān)聯(lián)特征，特征穩(wěn)定性評估單元基于多維度相似性度量和最優(yōu)傳輸距離計算特征的穩(wěn)定性評分，動態(tài)校準單元基于穩(wěn)定性評分通過squeeze-and-excitation調(diào)制層和殘差式非線性變換對當(dāng)前特征進行自適應(yīng)調(diào)整；所述識別結(jié)果包括設(shè)備工作狀態(tài)信息和異常預(yù)警信息。

7、在一種可選的實施方式中，

8、基于voronoi規(guī)則布設(shè)的傳感器陣列采集環(huán)境參數(shù)數(shù)據(jù)，通過環(huán)境參數(shù)動態(tài)耦合關(guān)系計算圖像退化評分和環(huán)境影響因子包括：

9、基于voronoi劃分規(guī)則對新能源場站進行劃分，在劃分后的區(qū)域中心位置布設(shè)環(huán)境傳感器陣列，所述環(huán)境傳感器陣列采集光照強度、溫度、濕度、空氣質(zhì)量和能見度數(shù)據(jù)；對采集的環(huán)境參數(shù)數(shù)據(jù)執(zhí)行預(yù)處理得到平滑數(shù)據(jù)；

10、基于所述平滑數(shù)據(jù)計算空間分布估計結(jié)果和時序預(yù)測結(jié)果并組合形成環(huán)境狀態(tài)矩陣；

11、將所述環(huán)境狀態(tài)矩陣中的數(shù)據(jù)分別與圖像質(zhì)量退化類型建立關(guān)聯(lián)映射關(guān)系，包括：計算環(huán)境參數(shù)之間的動態(tài)耦合關(guān)系，基于參數(shù)相似性、變化率差異和空間鄰接關(guān)系計算光照強度、溫度、濕度、空氣質(zhì)量和能見度參數(shù)間的耦合強度，形成動態(tài)耦合矩陣；基于當(dāng)前環(huán)境參數(shù)和動態(tài)耦合矩陣，采用時間衰減加權(quán)方式計算圖像質(zhì)量指標，對圖像質(zhì)量指標進行時序平滑和校準得到圖像模糊度指標和圖像對比度指標；

12、基于所述圖像模糊度指標和圖像對比度指標構(gòu)建退化類型向量，所述退化類型向量包括模糊度分量、對比度分量和噪聲分量；將所述退化類型向量與預(yù)設(shè)權(quán)重系數(shù)加權(quán)組合得到圖像退化評分；將所述環(huán)境狀態(tài)矩陣中的環(huán)境參數(shù)與預(yù)設(shè)影響函數(shù)和權(quán)重系數(shù)組合計算得到環(huán)境影響因子。

13、在一種可選的實施方式中，

14、根據(jù)所述環(huán)境影響因子動態(tài)調(diào)整圖像增強參數(shù)，基于圖像退化評分選擇噪聲去除策略，執(zhí)行自適應(yīng)直方圖均衡和圖像歸一化處理包括：

15、將環(huán)境影響因子與圖像增強參數(shù)建立映射關(guān)系，所述映射關(guān)系的系數(shù)基于環(huán)境狀態(tài)矩陣動態(tài)調(diào)整；構(gòu)建包括對比度增強算子和銳化增強算子的增強算子庫，所述對比度增強算子的參數(shù)根據(jù)光照強度與對比度的映射規(guī)則自適應(yīng)調(diào)整，所述銳化增強算子的參數(shù)根據(jù)圖像模糊度指標動態(tài)調(diào)整；

16、構(gòu)建圖像質(zhì)量的評價函數(shù)，所述評價函數(shù)包括峰值信噪比指標、結(jié)構(gòu)相似度指標和無參考圖像質(zhì)量評價指標，所述評價函數(shù)的權(quán)重根據(jù)環(huán)境影響因子自適應(yīng)調(diào)整，基于所述評價函數(shù)對圖像增強參數(shù)進行優(yōu)化；

17、基于所述圖像退化評分進行噪聲類型判別，根據(jù)噪聲類型選擇對應(yīng)的噪聲去除策略，包括多尺度噪聲分析和自適應(yīng)濾波處理，濾波處理的參數(shù)根據(jù)噪聲特征動態(tài)調(diào)整；

18、對濾波結(jié)果執(zhí)行自適應(yīng)直方圖均衡，包括基于局部熵值的自適應(yīng)分塊和直方圖均衡參數(shù)調(diào)整，直方圖均衡參數(shù)包括均衡強度和分塊融合權(quán)重，直方圖均衡參數(shù)根據(jù)環(huán)境影響因子動態(tài)調(diào)整；

19、基于時序統(tǒng)計特征對均衡結(jié)果進行歸一化處理，所述時序統(tǒng)計特征包括圖像序列的均值分布和方差分布，所述歸一化處理的縮放參數(shù)和平移參數(shù)根據(jù)時序預(yù)測結(jié)果動態(tài)調(diào)整。

20、在一種可選的實施方式中，

21、所述特征提取模塊的深度卷積神經(jīng)網(wǎng)絡(luò)包括：

22、主干網(wǎng)絡(luò)和輔助分支網(wǎng)絡(luò)，其中主干網(wǎng)絡(luò)采用密集連接結(jié)構(gòu)，包括四個密集塊，每個密集塊的卷積核數(shù)量根據(jù)圖像復(fù)雜度自適應(yīng)調(diào)整；所述輔助分支網(wǎng)絡(luò)采用輕量級結(jié)構(gòu)，接收環(huán)境狀態(tài)矩陣作為輸入；

23、所述主干網(wǎng)絡(luò)的每個密集塊之后設(shè)置通道注意力模塊，所述通道注意力模塊的權(quán)重系數(shù)由輔助分支網(wǎng)絡(luò)輸出的環(huán)境特征向量調(diào)制；在相鄰密集塊之間設(shè)置特征重校準單元，所述特征重校準單元基于局部區(qū)域的圖像質(zhì)量得分動態(tài)調(diào)整特征圖的尺度參數(shù)；

24、主干網(wǎng)絡(luò)末端串聯(lián)全局平均池化層和全連接層，輸出得到圖像特征向量。

25、在一種可選的實施方式中，

26、時序特征提取單元利用循環(huán)神經(jīng)網(wǎng)絡(luò)提取連續(xù)幀圖像的時序關(guān)聯(lián)特征，特征穩(wěn)定性評估單元基于多維度相似性度量和最優(yōu)傳輸距離計算特征的穩(wěn)定性評分，動態(tài)校準單元基于穩(wěn)定性評分通過squeeze-and-excitation調(diào)制層和殘差式非線性變換對當(dāng)前特征進行自適應(yīng)調(diào)整包括：

27、將所述圖像特征向量構(gòu)建為連續(xù)幀圖像的特征序列，將所述特征序列輸入雙向長短時記憶網(wǎng)絡(luò)，其中前向長短時記憶單元和后向長短時記憶單元的輸出特征經(jīng)過拼接運算得到時序關(guān)聯(lián)特征；

28、計算所述時序關(guān)聯(lián)特征的局部穩(wěn)定性得分和全局穩(wěn)定性得分，所述局部穩(wěn)定性得分通過構(gòu)建有向圖結(jié)構(gòu)并基于多維度相似性度量和最優(yōu)傳輸距離計算邊權(quán)重得到，所述全局穩(wěn)定性得分通過多尺度特征序列的熵復(fù)雜度指標計算得到，將局部穩(wěn)定性得分和全局穩(wěn)定性得分通過自適應(yīng)權(quán)重網(wǎng)絡(luò)融合得到特征穩(wěn)定性評分；

29、基于所述穩(wěn)定性評分對所述時序關(guān)聯(lián)特征進行校準，所述校準在動態(tài)校準單元中通過squeeze-and-excitation調(diào)制層生成注意力權(quán)重，采用殘差式非線性變換對調(diào)制后的特征進行校準，基于動態(tài)規(guī)劃選擇最優(yōu)歷史特征序列，將所述時序關(guān)聯(lián)特征的增強視圖與歷史特征的增強視圖構(gòu)建對比學(xué)習(xí)樣本對，通過多目標優(yōu)化得到校準特征；

30、對所述校準特征執(zhí)行指數(shù)滑動平均得到平滑特征，所述指數(shù)滑動平均的平滑系數(shù)根據(jù)所述穩(wěn)定性評分動態(tài)調(diào)整；將所述平滑特征輸入分類器得到設(shè)備工作狀態(tài)信息；

31、計算所述平滑特征與所述時序關(guān)聯(lián)特征的歐氏距離，將所述歐氏距離與所述穩(wěn)定性評分的補值相乘得到異常得分，基于所述異常得分的統(tǒng)計特征構(gòu)建自適應(yīng)閾值，當(dāng)所述異常得分超過所述自適應(yīng)閾值時生成異常預(yù)警信息。

32、在一種可選的實施方式中，

33、計算所述時序關(guān)聯(lián)特征的局部穩(wěn)定性得分和全局穩(wěn)定性得分，所述局部穩(wěn)定性得分通過構(gòu)建有向圖結(jié)構(gòu)并基于多維度相似性度量和最優(yōu)傳輸距離計算邊權(quán)重得到，所述全局穩(wěn)定性得分通過多尺度特征序列的熵復(fù)雜度指標計算得到，將局部穩(wěn)定性得分和全局穩(wěn)定性得分通過自適應(yīng)權(quán)重網(wǎng)絡(luò)融合得到特征穩(wěn)定性評分包括：

34、將時間窗口內(nèi)的時序關(guān)聯(lián)特征構(gòu)建為有向圖結(jié)構(gòu)，通過多維度相似性度量計算所述有向圖結(jié)構(gòu)的邊權(quán)重；

35、所述多維度相似性度量包括：構(gòu)建特征分布之間的多層次代價矩陣，所述多層次代價矩陣包括基于局部特征的點對代價矩陣和基于全局特征的結(jié)構(gòu)代價矩陣；求解基于sinkhorn算法的最優(yōu)傳輸問題得到傳輸方案，所述傳輸方案滿足一階矩匹配約束和二階矩相關(guān)性約束；計算多尺度最優(yōu)傳輸距離并通過尺度自適應(yīng)的融合網(wǎng)絡(luò)得到傳輸距離；將所述傳輸距離通過參數(shù)化的sigmoid映射函數(shù)與互信息進行加權(quán)組合得到所述邊權(quán)重；

36、基于所述邊權(quán)重構(gòu)建轉(zhuǎn)移矩陣，通過迭代計算得到所述有向圖結(jié)構(gòu)中節(jié)點的重要性，將節(jié)點重要性與所述邊權(quán)重的乘積進行歸一化得到局部穩(wěn)定性得分；

37、構(gòu)建所述時序關(guān)聯(lián)特征的多尺度特征序列，計算所述多尺度特征序列的樣本熵，基于所述樣本熵構(gòu)建熵復(fù)雜度平面得到復(fù)雜度指標，基于所述復(fù)雜度指標計算全局穩(wěn)定性得分；

38、構(gòu)建包含所述局部穩(wěn)定性得分、全局穩(wěn)定性得分及其時間差分的特征狀態(tài)向量，將所述特征狀態(tài)向量輸入具有softmax激活函數(shù)的自適應(yīng)權(quán)重網(wǎng)絡(luò)得到融合權(quán)重，通過所述融合權(quán)重組合局部穩(wěn)定性得分與全局穩(wěn)定性得分得到特征的穩(wěn)定性評分。

39、在一種可選的實施方式中，

40、基于所述穩(wěn)定性評分對所述時序關(guān)聯(lián)特征進行校準，所述校準在動態(tài)校準單元中通過squeeze-and-excitation調(diào)制層生成注意力權(quán)重，采用殘差式非線性變換對調(diào)制后的特征進行校準，基于動態(tài)規(guī)劃選擇最優(yōu)歷史特征序列，將所述時序關(guān)聯(lián)特征的增強視圖與歷史特征的增強視圖構(gòu)建對比學(xué)習(xí)樣本對，通過多目標優(yōu)化得到校準特征包括：

41、在動態(tài)校準單元中構(gòu)建squeeze-and-excitation調(diào)制層，對時序關(guān)聯(lián)特征進行全局平均池化并通過前饋網(wǎng)絡(luò)生成注意力權(quán)重，基于穩(wěn)定性評分調(diào)整所述注意力權(quán)重，將所述時序關(guān)聯(lián)特征與所述注意力權(quán)重進行調(diào)制得到調(diào)制特征；

42、對所述調(diào)制特征通過殘差式非線性變換得到初始校準特征，所述殘差式非線性變換包括將所述調(diào)制特征經(jīng)過帶有relu激活函數(shù)的第一變換層和帶有tanh激活函數(shù)的第二變換層，將變換結(jié)果與特征穩(wěn)定性評分的sigmoid輸出相乘后與所述調(diào)制特征相加；

43、構(gòu)建所述時序關(guān)聯(lián)特征的自相似度矩陣，所述自相似度矩陣通過特征向量的余弦相似度與高斯核相似度的組合計算得到，計算當(dāng)前時刻與歷史時刻之間的狀態(tài)得分，基于狀態(tài)得分構(gòu)建狀態(tài)轉(zhuǎn)移方程計算最優(yōu)狀態(tài)值，所述狀態(tài)轉(zhuǎn)移方程的計算范圍為當(dāng)前時刻前n個時刻，從最優(yōu)狀態(tài)值回溯得到特征選擇路徑并提取對應(yīng)的歷史特征，其中狀態(tài)得分的公式為：

44、；

45、其中t為當(dāng)前時刻，k為歷史時刻，|t-k|為兩個時刻之間的時間間隔，ft為當(dāng)前時刻t的特征向量，fk為歷史時刻k的特征向量，simcos(fk，ft)為特征向量fk和ft之間的余弦相似度，||fk?-?ft||2為特征向量fk和ft的歐氏距離的平方，σ為高斯核的帶寬參數(shù)，λ為時間衰減因子、值越大時間衰減越快；

46、對所述初始校準特征和所述歷史特征分別通過隨機掩碼和高斯噪聲生成增強視圖，將同一特征的不同增強視圖構(gòu)建為正樣本對，將所述初始校準特征與所述歷史特征的增強視圖構(gòu)建為負樣本對，通過infonce損失函數(shù)計算對比損失；

47、將所述初始校準特征與所述歷史特征的加權(quán)平均值進行融合得到校準特征，構(gòu)建包含均方誤差、對比損失和時序平滑正則項的多目標損失函數(shù)，采用余弦退火的學(xué)習(xí)率策略優(yōu)化所述動態(tài)校準單元的參數(shù)。

48、在一種可選的實施方式中，

49、將所述環(huán)境狀態(tài)矩陣中的數(shù)據(jù)分別與圖像質(zhì)量退化類型建立關(guān)聯(lián)映射關(guān)系包括：

50、計算環(huán)境參數(shù)之間的動態(tài)耦合關(guān)系，得到動態(tài)耦合矩陣c(t)，其計算公式為：

51、；

52、其中，cij(t)為時刻t時，第i個環(huán)境參數(shù)和第j個環(huán)境參數(shù)之間的耦合強度；ei(t)為時刻t的第i個環(huán)境參數(shù)值；ej(t)為時刻t的第j個環(huán)境參數(shù)值；ψ(ei(t)，ej(t))為參數(shù)相似性函數(shù)；τ(t)為時變衰減系數(shù)，控制變化率的影響強度；δeij(t)為參數(shù)變化率之差，為兩個參數(shù)變化速度的差異；sij(t)為空間相關(guān)性系數(shù)，反映參數(shù)在空間分布上的關(guān)聯(lián)程度；

53、基于環(huán)境參數(shù)和動態(tài)耦合矩陣，計算圖像質(zhì)量指標q(t)，其計算公式為：

54、；

55、其中，t為當(dāng)前時刻的時間標記；k為歷史時刻索引，從1到n，n考慮的歷史時間窗口大??；ωk(t)為自適應(yīng)權(quán)重系數(shù)；e(t)為當(dāng)前時刻的環(huán)境參數(shù)向量；c(t)為當(dāng)前時刻的動態(tài)耦合矩陣；fk為環(huán)境參數(shù)與質(zhì)量指標的映射函數(shù)；λ為時間衰減因子；|t-k|為當(dāng)前時刻與歷史時刻的時間間隔；

56、對所述圖像質(zhì)量指標進行時序平滑和校準，計算最近n個時刻的質(zhì)量指標統(tǒng)計特征；基于統(tǒng)計特征對當(dāng)前質(zhì)量指標進行加權(quán)平滑；根據(jù)歷史觀測數(shù)據(jù)對平滑結(jié)果進行校準，得到模糊度指標和對比度指標。

57、本發(fā)明的有益效果如下：

58、本發(fā)明通過基于voronoi規(guī)則布設(shè)的傳感器陣列采集環(huán)境參數(shù)數(shù)據(jù)，計算圖像退化評分和環(huán)境影響因子，實現(xiàn)了對新能源場站監(jiān)控圖像質(zhì)量的精確評估，為后續(xù)圖像處理提供了可靠的參考依據(jù)，有效提升了圖像識別的適應(yīng)性。

59、本發(fā)明設(shè)計了包含預(yù)處理模塊、特征提取模塊和特征優(yōu)化模塊的深度學(xué)習(xí)模型，其中預(yù)處理模塊能夠根據(jù)環(huán)境影響因子動態(tài)調(diào)整圖像增強參數(shù)，基于圖像退化評分選擇噪聲去除策略，保證了圖像預(yù)處理的針對性和有效性，為后續(xù)特征提取奠定了良好基礎(chǔ)。

60、本發(fā)明在特征優(yōu)化模塊中創(chuàng)新性地引入了時序特征提取單元、特征穩(wěn)定性評估單元和動態(tài)校準單元，通過多維度相似性度量和最優(yōu)傳輸距離計算特征的穩(wěn)定性評分，并利用squeeze-and-excitation調(diào)制層和殘差式非線性變換進行特征自適應(yīng)調(diào)整，顯著提升了新能源發(fā)電設(shè)備識別的準確率和可靠性，為設(shè)備狀態(tài)監(jiān)測和異常預(yù)警提供了有力支持。